随着互联网技术的飞速发展,图像识别技术受到众多领域的广泛关注,而一些识别技术已经应用在人们的日常生活中。但由于图像在采集时容易受到光照、表情、遮挡和姿态等因素的影响,使得图像识别研究极具挑战性。在众多因素影响下,如何使计算机进行快速准确的检测识别是当前图像识别技术中的研究热点。在图像识别领域,稀疏表示算法是一种新型的识别分类算法,具有很好的理论基础。相较于其他识别算法,稀疏表示算法在图像受到遮挡,光照等环境因素影响下具有较好的鲁棒性。特征提取是图像识别的基础,为了提升特征质量以及后续的识别分类精确度,本文从图像的局部结构和稀疏表示分类的角度,对人脸图像识别算法进行研究,提出新的算法,并且提出的新算法对光照、遮挡等变化因素具有鲁棒性,提高了人脸识别精度。本文主要研究内容为:（1）针对人脸图像中常常出现遮挡、光照以及姿态变化等引起识别率低问题,提出一种基于分块LBP和自适应加权的稀疏表示算法。该算法将人脸图像进行均等分块,统计每一个子块直方图,并进行自适应加权;其次,对图像进行重叠分块,然后串接重叠分块内子块的统计直方图作为联合特征向量,最后利用稀疏表示分类方法进行人脸识别。在ORL、AR和FERET人脸数据集上的实验表明,该方法对光照等因素具有很好的鲁棒性,且识别率得到了很大的提高。（2）在人脸识别中,为了提高人脸图像对突发光照等外界因素的鲁棒性,提出一种基于HOG特征的加权稀疏表示算法,将加权稀疏表示方法和HOG特征以及随机投影方法相结合,提高识别性能。该算法统计每一幅图像的方向梯度直方图特征,对每一幅图像进行归一化处理,对归一化后的图像引入随机矩阵算法,进行多次随机投影,得到每个样本所对应的稀疏系数,利用样本之间的相似性作为稀疏系数的权值;对传统稀疏表示分类器进行改进。样本经随机矩阵多次投影和稀疏表示后会产生多个重构残差,利用样本的重构残差和对样本进行识别分类。ORL人脸数据库、GT人脸数据库和AR人脸数据库上实验证明该方法对光照等外界物理因素有着很好的鲁棒性。（3）为了进一步解决图像识别易受灰度跳变和光照变化影响问题,本文提出一种基于改进的局部二值模式和梯度方向直方图的金字塔结构的稀疏表示算法,充分利用图像的空间信息。该算法对图像进行预处理,并对图像进行金字塔分层,对每一层图像提取改进的局部二值模式（LBP）特征和梯度方向直方图（HOG）特征。统计所有层的特征,设计融合规则将HOG和改进的LBP特征融合起来获得图像的联合特征,基于联合特征利用稀疏表示算法对图像识别分类。在ORL人脸数据库和CMU PIE人脸数据库上实验证明该方法有很好的识别效果和鲁棒性。