由于易采集、非接触的特性,人脸识别正在成为一种迅速推广的生物特征身份识别手段,但在实际使用环境中,表情、姿态和光照的变化对人脸识别性能的显著影响(降低识别的鲁棒性和准确率),已经成为人脸识别的巨大挑战。现有的研究表明,以初始化过完备字典、求解稀疏重构系数和判别准则为核心的基于稀疏表示的识别方法对噪声和部分遮挡的情况表现出一定的鲁棒性,但是并不理想;而且在表情变化,姿态变化等以及小样本情况下的识别依然相当困难。本文主要从过完备字典的初始化和稀疏重构系数求解两方面考虑基于稀疏表示的人脸识别,主要研究内容如下:1)人脸采集由于光照、遮挡和表情等变化因素,采集样本会受到一定程度的污染而严重干扰识别,本文提出了一种基于判别性非凸低秩矩阵分解的叠加线性稀疏表示算法。首先由Y范数取代传统核范数,克服了传统低秩矩阵分解方法求解核范数时,矩阵奇异值倍数缩放导致的识别误差问题;然后引入结构不相干判别项,以增加不同类低秩字典间的非相干性,以达到抑制类内变化和去除类间相关性的目的;最后利用叠加线性稀疏表示方法完成分类。该算法在AR人脸库中的识别率达到了 98.67±0.57%,高于SRC、ESRC、RPCA+SRC、LRSI、SLRC-11等算法;同时遮挡实验表明,算法对遮挡图片具有更好的鲁棒性,在不同遮挡比例下相比其他算法均有更高的识别率。在CMU PIE人脸库中,对无遮挡图片添加从0(+10%)到40%的椒盐噪声,算法识别率分别达到90.1%、85.5%、77.8%、65.3%和46.1%,也均高于其它算法。不同人脸库、不同比例遮挡和噪声的实验结果表明,算法针对人脸遮挡、表情和光照等复杂情况下依然保持较高的识别率,鲁棒性更好。2)针对稀疏表示算法在少样本和单样本情况下的局限性,本文提出了一种基于半监督高斯混合模型和叠加线性稀疏表示相结合的人脸识别算法。该算法在构造原型字典过程中同时考虑训练样本和测试样本,通过高斯混合模型并利用变异字典对原型字典进行优化,以消除人脸图像的非线性噪声,获得更精确的质心矩阵。首先基于所有图像均被视为服从高斯分布的前提,将删除变异字典成分的测试样本和训练样本一起构造高斯混合模型;然后利用改进的半监督期望最大化(EM)算法对高斯混合模型的参数进行优化,其均值作为训练样本的原型字典;同时,少样本情况下的变异字典通过训练样本和原型字典作差可以得到,单样本情况下的变异字典通过辅助人脸数据库得到;最后将优化后的原型字典和变异字典利用叠加线性稀疏表示完成识别。由于该算法充分利用了未标记样本(测试样本)的图像信息,使得原型字典更精确,因此在少样本或单样本的情况下算法的识别性能较好。少样本情况下,在AR人脸库中,训练样本张数为2、3、4、6、8、10张时,算法的识别率分别为73.6、88.4、92.3、93.7、95.2、97.6,高于 SRC、ESRC、RPCA+SRC、RADL、SLRC-11等算法;另外,算法的识别率和未标记样本的数量有直接联系,未标记样本的张数越多,算法的识别率越高。在单样本情况下,算法在CAS-PEAL人脸库的识别率达到了 78.3%,高于SRC、ESRC、SVDL、RADL、SLRC-11等对比算法;通过不同辅助字典的实验表明辅助字典来自于同一数据库的人脸识别成功率要高于辅助字典来自其他人脸数据库。实验结果表明,算法在少样本和小样本情况下依然达到较高的识别率。综上所述,针对光照、遮挡和表情等变化因素,将判别性非凸低秩矩阵分解引入叠加线性稀疏表示,在更好的识别正确率基础上,显著提高了识别的鲁棒性;并且进一步针对少样本和单样本人脸识别的问题,将高斯混合模型引入叠加线性稀疏表示,充分利用样本信息,改进半监督期望最大化(EM)算法以优化高斯混合模型的参数,有效提高了少样本和单样本人脸的识别性能。