人脸识别技术以其自身的优越性成为计算机视觉方面的一个热门研究领域。随着社会需求的增加以及技术的不断发展，越来越多的研究人员投入到人脸识别算法的研究当中。本课题主要研究人脸识别中的拒识，即拒绝识别。在许多现实的应用中如门禁系统，系统应该拒绝识别未在系统中注册的人。为了解决人脸识别中的拒识问题，本课题提出了一种将稀疏表达与LARK特征和SIFT特征相结合的、具有拒识功能的人脸识别算法。该算法首先使用稀疏表达方法对测试集进行粗分类，将测试集的人脸图像分为两类：一类为应该识别的，另一类为需要拒绝识别的。在需要拒绝识别的一类样本中，不可避免地会出现被错误分类的样本。为了进一步提高分类的精度，更加准确地找出需要拒绝识别的样本，本课题引入了基于局部自适应回归核的LARK（Locally Adaptive Regression Kernel）算子与尺度和旋转不变特性的SIFT（Scale Invariant Feature Transform）关键点特征，以期增强本课题算法的拒识精度。LARK算子对于图像的光照变化具有良好的鲁棒性，SIFT关键点特征则在人脸图像的姿势变化方面具有较好的处理能力。针对在第一步中被判定为需要拒绝识别的每一个样本，本课题分别提取它的LARK局部特征和SIFT关键点特征，并利用这两个特征分别对该样本进行判定，可以得到两个分类类标。最终采用投票策略决定样本是否需要拒绝识别。本课题在多个标准人脸数据库上进行了大量的实验，包括ORL人脸库、YaleB人脸库以及AR人脸库。同时与其它若干具有拒识功能的人脸识别算法进行了比较。实验结果表明，本课题的算法在保证正确识别精度的基础上，具有更高的拒识精度。