伴随着现代生物领域相关技术的快速发展以及信息科技的进步,进行身份验证的技术已经慢慢的转到了基于生物特征层面的识别。其中,人脸作为生物特征识别领域最重要的研究方向,得到了越来越广泛的重视。和传统的身份鉴定方法不同的是,现今的识别技术主要依靠计算机与高科技手段,通过待识别个体独一无二的特性实现身份的判定,譬如DNA。而人脸作为人体的一种外在的根本属性,其优势不言而喻。但在实际应用中由于人脸在光照变化,表情变化,位置变化和遮挡时表现出来的模式是完全不同的。这就需要大量的训练照片来消除这些影响。但在实验和应用中往往无法获得大量的训练样本以供训练提取用于分类和识别的特征。这一方面是因为人脸验证系统的存储空间非常有限,无法容纳大量的训练样本。另一方面,由于一些系统在短时间内对于同一对象无法获取其多张人脸样本照片用做训练。譬如在公安身份验证系统中,人脸样本库中每个人仅一张照片。有限的训练样本无法全面的包含人脸识别所需要的全部信息,这也就是小样本训练问题。现有的算法在小样本训练时很难提高识别的准确性,有些情况下甚至失效。本文针对上述问题做出了有益的探索和研究。首先研究并分析现有的一些在人脸识别领域主流的经典的识别算法,研究其算法原理,分析其数学推导。研究一种目前应用广泛的分类识别算法,稀疏分类(SRC)及其衍生的算法。针对线性判别分析(FLDA)在单样本情况下算法无法使用的问题,提出一种新的基于原始训练样本镜像处理产生镜像虚拟脸的解决方案,并结合SRC分类算法实现最终识别。仿真实验表明提出的算法不仅能很好的解决线性判别分析FLDA在单样本情况下算法无法使用的问题,并且能够实现很高的识别率。同时,为解决小样本训练问题,并结合虚拟样本的优势。基于像素值映射的思想,提出两种有效的通过像素处理产生虚拟训练样本的算法,分析虚拟样本生成数学计算过程,算法原理。并结合稀疏分类算法实现最终的识别和分类。仿真结果表明,提出的算法在构造虚拟样本时能够有效的消除光照变化的影响,并实现高效的识别率。