随着人脸识别应用需求的不断增长,无约束环境下的人脸识别得到了广泛的关注和研究。部分遮挡是无约束环境下人脸识别面临的主要问题之一。部分遮挡造成人脸信息缺失,严重影响了特征的提取和识别,是人脸识别一直未很好解决的难题。研究对遮挡鲁棒的人脸识别方法是人脸识别技术进一步广泛应用的重要课题。目前部分遮挡人脸识别的研究还存在以下不足：(1)已有遮挡人脸识别算法只对小面积的遮挡有效,对像口罩等类型的大面积遮挡识别率下降；(2)已有基于非负矩阵分解的部分遮挡人脸特征提取算法没有同时考虑人脸流形几何结构、重构误差分布的长尾特点及监督信息,得到的特征不够鲁棒；(3)已有基于稀疏表示的部分遮挡人脸表示学习算法假设表示系数之间相互独立,没有考虑人脸流形局部几何结构。为了解决上述问题,本文以近年来发展的稀疏表示理论和非负矩阵分解理论为基础,利用机器学习的方法,从三个不同层次对部分遮挡人脸识别问题展开了深入研究：(1)在有监督信息和遮挡训练样本的情况下,针对大面积遮挡,提出了基于遮挡字典学习的鲁棒人脸识别算法。主要从以下三个方面解决了该问题：1)提出了遮挡字典来建模部分遮挡模式。遮挡字典的每个原子均为一种遮挡原型如墨镜、口罩等,将待测人脸图像中的遮挡表达为遮挡原型的稀疏线性组合。2)建立了基于相关性最小化的遮挡字典学习模型。训练样本字典原子的稀疏线性组合表达非遮挡人脸,遮挡字典原子的稀疏线性组合表达遮挡部分,通过最小化训练样本字典与遮挡字典的相关性,将遮挡人脸和非遮挡人脸有效分离,从而利用非遮挡人脸进行识别。3)提出了快速的遮挡字典求解算法,并证明了算法的收敛性。每次选择更新一个字典原子,同时在更新下一个原子时使用已经更新的原子,从而加快算法收敛速度。实验结果表明：该方法学习到的字典原子均为一些基本的遮挡模式,如墨镜、口罩、光照变化模式等,极大地提高了大面积连续遮挡人脸的识别率。(2)接着,在仅有监督信息而无遮挡训练样本的情况下,针对现有非负矩阵分解方法对遮挡敏感的问题,结合人脸流形几何结构和监督信息,提出了基于鲁棒非负块对齐的人脸识别算法。首先基于遮挡人脸重构误差分布的长尾特点,提出用相关熵诱导测度度量重构误差；对重构误差大的像素点赋予小的权重,对重构误差小的像素点赋予大的权重,在迭代过程中自适应地学习估计权值。针对目标函数的非凸性,通过引入新的辅助变量,增加变量空间,将原来的非凸优化问题转化为一个半二次优化问题；利用轮换优化方法得到简洁的乘性迭代公式,并证明了算法收敛性。作为鲁棒非负块对齐框架的应用,提出了局部保持非负块对齐算法和稀疏保持非负块对齐算法。在局部保持非负块对齐算法中,构造局部稀疏图来刻画人脸流形的局部几何结构。对每个人脸,先通过κ-近邻法选择一个较大的邻域集,然后再对该邻域内的样本点求稀疏表示,有效结合了κ-近邻的局部性和稀疏表示的鲁棒性。在稀疏保持非负块对齐算法中,利用稀疏重构系数描述局部几何结构和加权距离刻画类可分性,结合监督信息,构造了判别式部分优化模型。两种算法在实际遮挡、模拟遮挡等各种情况下取得了很好的聚类和识别结果,表明了该算法的有效性和鲁棒性。(3)进一步,在既无监督信息又没有遮挡训练样本的情况下,针对标准稀疏表示独立性假设的不足,结合局部几何结构,提出了基于图嵌入结构稀疏的鲁棒人脸表示学习算法。标准稀疏表示假设表示系数之间相互独立,这与实际应用是不相符的,因为相似信号的稀疏表示应该是相似的。考虑到人脸流形的几何结构,本文提出了局部群稀疏图来刻画相似人脸的结构关系,并将其嵌入到稀疏表示框架中,建立了结构稀疏表示模型。将结构稀疏优化问题转化为多个子问题,提出了基于逼近梯度的稀疏表示快速求解算法。实验表明该算法学习到的人脸表示鲁棒性好、判别性强,在人脸聚类实验中取得了较好的效果。