人脸识别的强适应性、高安全性以及非接触式的智能交互等优点,使其在公共安全、智能门禁、刑事侦查等领域存在巨大的应用潜能,因而成为模式识别和计算机视觉等领域的一个研究热点.传统的人脸识别过程一般包括人脸检测、人脸图像预处理、特征提取和人脸分类四个步骤,而特征提取和分类是该四个步骤的核心.针对人脸识别中的特征提取和分类算法,本文主要做了以下三方面的工作:(1)充分利用稀疏保留投影在特征提取上的优势,通过对其加入判别信息,改进得到一种新的监督特征提取方法,称为不相关判别稀疏保留投影.通过类内稀疏保留与类间距离最大化,所得到的投影可以有效地表达判别信息,同时还保留了局部的近邻关系.另外,统计不相关限制可以降低特征向量之间的冗余,用尽可能少的特征向量获得尽可能多的特征信息.(2)在人脸分类时,通常需要将图像矩阵数据转换成向量数据后才能输入分类器进行识别,这样往往会破坏图像像素之间的结构关系,造成识别率的下降.本文在随机权网络的基础上,设计了针对矩阵数据直接输入分类器的二维随机权网络,使用左右投影向量来代替隐层中原始的高维输入权值向量,从而在一定程度上保留了矩阵数据的结构关系,提高了系统的识别率.(3)在稀疏表示的基础上讨论带有光照变化的多姿态人脸识别问题.为了使稀疏表示更适合于多姿态人脸识别的特点,提出了分块加权稀疏表示算法,以突出与测试样本姿态相近的样本的表出作用,从而提高系统的识别率.在此基础之上,为了不增加带光照的人脸样本,即解决标准光照样本库下对于带光照样本的识别问题,提出了光照字典的概念,用光照字典代替不同光照条件下各个姿态的人脸图像,并提出了一种构造光照字典的方法.每一部分中相应的实验表明,本文所提出的方法都在一定程度上提高了特定条件下人脸识别系统的识别率.