随着人们对生活中身份认证安全意识的提高,利用生物特征识别逐渐成为首选的技术手段之一,其已成为国内外的研究热点。生物特征具有很好的唯一性以及自身稳定性,而人脸特征作为生物特征中比较常用的特征,其相比其他特征,具有便捷、直接、友好等优点,易于用户接受。目前很多算法都能够对人脸图像准确的判别分类,但往往由于算法复杂度较高,导致耗时长,不能满足用户实时识别的需求。本文从人脸稀疏表示出发,将稀疏表示原理运用到人脸识别领域,并通过构造出的字典对原始数据进行矩阵变换和数据降维,从而避免维数灾难,在保证算法准确率的同时提高算法的执行效率。继而通过对训练样本加权处理,使用了训练样本数据的局部信息,从而提高了算法的识别率。本文主要做了如下工作:首先,基于传统的SRC算法上,提出了一种基于字典的快速稀疏表示算法(DFSRC),利用字典构造对数据进行矩阵变换,并利用压缩感知原理对矩阵数据进行压缩提取,从而进一步降低可用数据的维数,提高了算法的执行效率,保证了算法实时识别的能力。其次,对数据的局部性进行了解研究,对比几种不同引入数据局部信息的识别算法,找出这些算法的优劣之处。并在此基础上对DFSRC算法引入数据局部信息进行加权处理,其中包括测试样本到各类之间的距离以及测试样本到所选用训练样本之间的距离作为权值,从而提出基于加权字典的快速稀疏表示算法(WDFSR),该算法保证了高效性的同时也提高了其分类判别的能力。最后,本文分别对传统SRC、DFSRC以及WDFSR算法在三个人脸数据库(Yale B、ORL和AR人脸数据库)上进行仿真实验,分别就三种算法的识别准确率和识别时间进行比较。结合最后得到的实验数据可得出:提出的DFSRC和WDFSR算法在保证其识别准确率的同时加快了算法的执行速率,降低了识别所需时间,证明了这两种算法的有效性以及可靠性。