随着网络信息技术的发展与应用,需要进行身份识别的场合也越来越多,人们对于信息安全性的要求日益提高。人脸识别技术作为生物特征识别技术领域中重要的组成部分,与其它识别技术相比,具有方便快捷、可交互性等诸多优势,已成为了生物特征识别技术中的一个研究热点,并且具有广阔的应用前景。　　 影响人脸识别的制约因素很多,包括光照、姿态、遮挡和表情等。近年来研究者在前三个方面的识别做了大量的工作,但是对于表情因素,很多工作都集中在表情的识别上,而常忽略了带表情人脸的识别。如果仍采用传统的识别方法,识别效果并不理想。随着研究者的重视与研究,逐步出现了专门的识别方法。但是,带表情人脸识别仍处于发展的阶段,需要研究出更具鲁棒性的识别方法。　　 针对带表情的人脸识别,本文提出了基于Gabor小波变换的共同向量法。利用Gabor小波变换的频率及方向选择性可以提取出人脸的多尺度多方向上的Gabor特征,可作为具有表情鲁棒性的人脸特征表示。基于共同向量法的思想,同一类的所有人脸图像可以看作一个内部相互关联的整体,而且不同的表情相对于整幅人脸图像是一个微小的变化量,即具有稀疏性。因此,Gabor特征也可以分解为包含人脸共同信息和表情信息的两部分。由此,同一类人脸图像的相应Gabor特征分解可以组成一个公式化的联合稀疏模型,计算可以得到各个方向和尺度上Gabor特征的共同特征和表情特征,融合这些特征就得到了该类的特征表示,即共同特征向量和创新特征向量(该类所有图像的表情特征之和)。通过存储每一类的共同特征向量和创新特征向量可以取代人脸图像训练集,节省大量的存储空间。识别时,利用这两个特征向量可以精确重构测试图像的特征向量,提高带表情人脸图像的正确匹配率,达到改善识别效果的作用。　　 但是,Gabor小波变换在曲线奇异性的表达上存在着不足,从而不能实现对包含表情变化信息曲线的稀疏表达,因此提取的特征不是最优的人脸特征表示。而Curvelet变换以“长条形”的方式逼近曲线,解决了曲线稀疏表达的难题,使提取出的人脸特征对表情更具鲁棒性。人脸图像经过Curvelet变换后,一般分解为包含人脸重要信息的低频系数和高频系数。同样通过联合稀疏模型的计算和特征融合可得到类的特征表示:共同特征向量和创新特征向量。本文把该方法称为基于Curvelet变换的共同向量法。　　 最后,实验表明,对于表情人脸识别本文提出的这两个方法比其它方法具有更好的识别效果。