人脸识别技术作为模式识别技术最有前景的重要分支之一，已经引起各大研究群体的广泛关注，同时也成为生物识别技术中最主要的组成部分。人脸识别在过去的几十年里已经取得了巨大的发展，大量的人脸识别算法中最引人瞩目的是基于线性表示的人脸识别算法，因为其算法在解决人脸识别问题时具有较大的优势。但是，基于线性表示的人脸识别算法依然不能完美地解决人脸识别问题，主要是因为其识别精度经常会受到各种外界环境的影响，并且这些问题仍然是目前人脸识别中亟待解决的问题，例如人脸姿势和表情变化、不同的光照条件、人脸的遮挡和掩饰等。本文提出了两种应用于人脸识别的鲁棒线性表示算法模型。本文首先提出了一种基于噪声建模与线性表示的人脸识别算法，其算法首先对表示噪声进行建模，然后在迭代循环过程中不断减少表示噪声，同时也可以计算获得更好的线性表示结果，最后结合利用多分类器算法思想进行最后的更精确分类。通常基于线性表示的识别分类方法主要由两类组成：基于全局的线性表示分类方法和基于局部的线性表示分类方法。为了同时利用线性表示分类算法的全局性特点和局部性特点的优势，本文提出了结合全局和局部线性表示的分类算法（即本文的第二种算法），来用于鲁棒的人脸识别分类。本文提出的两种算法模型都在多个标准人脸数据库上做了大量分类识别实验，这些库包括AR、FERET、ORL、GT、CMU PIE及带有噪声的人脸数据库。同时，对多个最近提出的优异的线性表示分类算法进行了对比试验。大量的实验证明，本课题所提出的分类算法模型不仅具备有较高计算效率，而且其算法鲁棒性和识别精度都有大幅提升。