人脸识别是根据人体面部图像进行身份识别的一项技术，是生物特征识别领域重要组成部分，具有重要的研究价值和广泛的应用前景。近年来，涌现出许多高性能人脸识别算法，人脸识别技术在环境可控、目标配合的理想条件下已经比较成熟。不幸的是，这些算法非常依赖训练样本集的规模和典型性。它们所关注的核心问题是如何基于足够大的数据集取得更高的识别准确率，而忽视了由训练数据样本缺乏带来的识别困难。在实际场景下的人脸识别系统中，由于数据采集困难或系统数据存储规模制约，容易导致每类训练样本数目不足，甚至每类只有单个训练样本的情况，称为单样本人脸识别问题。另一方面，数据集中存储每类单个训练样本具有许多优势：如容易获取数据，节约存储空间、降低计算花费等。因此，研究单样本人脸识别算法具有重要意义。本论文主要研究问题是复杂环境下的单样本人脸识别问题。实际人脸识别系统数据获取环境复杂，人脸识别系统往往受到伪装、遮挡、光照、表情等环境变化制约和样本数目等数据制约。为了解决这一问题，我们提出了一种基于稀疏判别式多流形分析的单样本人脸识别算法。算法主要分为两部分：数据表示和流形匹配。数据表示指针对人脸高维数据，学习一个低维特征空间，得到数据对应的低维表示。对数据表示部分，我们提出了稀疏判别式多流行嵌入算法(Sparse DiscriminativeMulti-Manifold Embedding, SDMME)。通过构造两种类别结构字典，我们学习了流形内稀疏图和流形间稀疏图。进而通过保持流形内图结构，并抑制流形间图特性，学习得到了最优嵌入矩阵集合。对于流形匹配部分，我们提出了一种基于流形结构的全局流形距离，并基于全局流形距离实现了身份识别。我们基于两个公共人脸图像数据库对本文提出算法可行性进行了验证。与其他代表性人脸识别算法进行比较性实验表明，本文提出算法在复杂环境下的单样本人脸识别问题上取得了更佳的识别效果。