在人脸识别技术发展的二三十年里,识别准确率日益增高,计算速率显著提升,许多问题得到了突破。但是,许多研究者都在致力于提高人脸识别率的问题上,而忽略了由于训练样本不足,导致识别率显著下降的小样本问题。特别是每个人只有一张人脸照片被注册到样本库中用于训练,一些识别算法不再适用,而另外一些算法的识别率将会大幅度下降。而在一些特殊的情景下,如刑侦执法等,单样本又是一个无法避免的问题。因此,本课题旨在对单样本人脸识别方法进行研究,通过设计生成虚拟样本的方法扩充训练集并通过设计鲁棒的特征提取方法保证识别的准确性。从单一人脸图像生成多姿态虚拟人脸图像始终是计算机视觉领域一个尚未有明确定义的综合性问题,如果生成规则制定不好,将造成虚拟样本的扭曲及伪影的出现。为了生成有效的即对识别有帮助的虚拟样本,本文提出了一种基于生成对抗网络的三维人脸模型构建方法,以达到扩充训练样本集的目的,将单训练样本人脸识别问题转化为普通的多训练样本人脸识别问题。为了解决三维人脸模型深度信息恢复不准确的问题,本文继而提出了一种基于流形排序的去噪平滑处理方法,用于生成真实感强烈的多姿态虚拟样本。本文在不同数据集上运用不同的算法进行了实验,验证了虚拟样本的有效性。本文提出了一种基于分块的人脸识别方法,称为基于异构图的多特征判别多流形分析。为了使图像块具有更加鲁棒的表示,本文对每个图像块提取多种特征。为了避免类内差异信息与类间差异信息的混淆问题,本文将生成的虚拟样本与单训练样本具有同一个语义的图像块的同一种表示作为一个流形进行判别特征提取。为了提高样本在子空间分布的判别能力,本文将异构图嵌入到判别准则中去,用来保留类内图像块的重建关系,抑制类间图像块的相似性关系。在最后的识别阶段,通过在每个子空间使用KNN分类器,利用融合投票方法确定最终的未知标签。本文在不同数据集上对算法进行了实验,验证了算法的优越性。