近些年来,人脸识别因其广阔的应用前景成为计算机视觉和模式识别领域的重要研究方向之一,随着压缩感知编码理论的提出,基于稀疏编码模型(SRC)的人脸识别技术引起众多研究者的广泛关注。在SRC中,测试图像被编码为训练样本的稀疏线性组合,再通过求解l1范数最优化问题得出其最稀疏解,该方法在实际应用中取得了良好的效果。但是SRC中将单位阵作为误差字典,对样本中误差和噪声的描述并不准确,因此本文引入低秩恢复算法来分离样本误差矩阵,将样本图像分解为干净的低秩矩阵和稀疏的误差矩阵,使得用于分类识别的图像信息更加有效。针对人脸面部图像在受到表情、姿态、光照以及噪声污染等多种因素影响的时候,仅采用单一特征进行人脸识别,误识率较高的问题,本文提出一种基于特征融合的低秩恢复稀疏表示的人脸识别方法。首先采用低秩恢复算法得到训练样本和测试样本的干净人脸图像,对这些干净的人脸图像进行LBP、HOG、Gabor三种特征向量的提取;训练阶段,随机选择部分训练样本进行SRC分类测试,根据SRC的识别结果与分类残差定义一个损失函数,再利用最小二乘方法计算出能够使损失函数最小的权重向量;识别阶段,根据训练阶段计算出来的权重向量重新计算测试样本的最终残差,得出其最终的识别结果。在不同的人脸库上进行广泛的实验来评估所提方法的性能,结果表明,本文方法优于仅利用单一特征识别的方法,并且对光照,噪声,遮挡等是鲁棒的。本文的研究工作主要包括以下几个方面:(1)总结了人脸识别的背景和研究现状,介绍了人脸识别方法的分类,总结了人脸识别中的关键问题;阐述了图像预处理、特征提取及降维方法的有关理论问题。(2)概述了基于稀疏表示的人脸识别方法。首先,分析了稀疏表示的有关理论问题;其次论述了基于稀疏表示的人脸识别算法过程;最后对不同特征维数的样本进行了对比试验。(3)针对稀疏表示模型中利用单位阵作为误差字典不能很好地描述图像的噪声和误差的问题,采用低秩恢复算法对样本进行处理,既可以有效地分离出外界环境因素给样本带来的误差等影响,又可以解决训练样本较少导致的字典不完备问题。(4)针对单一特征表述能力有限导致误识率较高的问题,提出一种基于特征融合的低秩恢复稀疏表示的人脸识别方法。训练阶段,根据SRC的分类结果与分类残差定义一个损失函数,再利用最小二乘方法计算出使损失函数最小的权重向量;识别阶段,根据权重向量计算测试样本的残差,得出其最终的识别结果。(5)在不同的人脸库上进行广泛的实验,对比三种单一特征识别算法,验证了本文所提算法的有效性。