在最近的数十年,人脸识别都是学术界和工业界的重点研究领域,并已经成功地应用于各个行业,获得了广泛社会效益,例如身份识别、视频安防、人脸支付等。由于不同光照、表情、角度、姿态和遮挡等复杂情况,同时受到样本数量不充足的制约,人脸识别在实际应用时仍然面临着一些难题和挑战。稀疏表示和字典学习是人脸识别研究领域中一个重要的研究方向,由于其具有优异的数据降维、特征提取和分类识别性能,已经成为人脸识别研究的一个重要方法。本文主要聚焦于不同光照、表情、姿态和遮挡等复杂情况、样本不充分以及实际应用场景等问题展开研究,主要的研究内容如下:（1）提出了一种改进的图像分类算法。通过新颖的图像表示方法生成虚拟样本,可以更好地保留原始图像的大尺度信息和全局特征,降低同一物体在不同图像中的差异性。通过稀疏表示分别获得原始图像和虚拟图像对应的分类得分,然后使用简单高效的得分融合方案对这两类分类得分进行融合,获得最终的分类得分,实现对测试样本的分类。（2）提出了一种基于字典重构的字典学习算法,即字典重学习算法。该算法基于原子局部特征和类标嵌入约束的字典判别式模型,通过原始训练样本初始化字典和系数矩阵,然后迭代更新获得最佳的字典和系数矩阵,并使用最优字典和系数矩阵的乘积来重构训练样本,重构后的训练样本用于重新学习字典和编码系数矩阵,并实现后续的图像分类。目前大部分的字典学习算法都是直接从原始训练样本中学习字典,忽略了训练样本本身存在的一些噪声,该字典重构方法可以有效且部分地消除原始训练样本中的噪声。（3）提出了一种基于样本扩展的多分辨率字典学习算法。考虑到不同分辨率图像对字典学习算法的性能影响以及训练样本数量较少时会降低字典学习算法的性能。本文通过将原始训练样本转换为不同分辨率,并为每一种分辨率的图像生成对应的字典。同样的,将不同分辨率的原始训练样本生成相同结构的虚拟样本,并为每一种分辨率的虚拟样本生成对应的字典。最后对训练样本和虚拟样本对应的分类得分使用得分融合方案,获得最终的分类得分,实现对测试样本的分类。通过图像表示方法生成虚拟样本,有效地扩展了训练样本数量,缓解了样本不足的问题。