随着信息科学的快速发展,个人信息安全变得愈发重要;人脸识别因其所具有的隐蔽性、唯一性等众多优势,成为鉴别个人信息的重要手段。近几年来,针对人脸识别的研究越来越多。在人脸识别的研究中,由于采集设备及环境的影响,人脸时常受到遮挡、表情变化、光照等干扰,设计出具有强鲁棒性的算法尤为重要。本文利用Gaussian-Hermite矩处理噪声、图像形变等问题,以稀疏表示分类处理光照、遮挡等问题。主要工作如下:首先介绍了人脸识别的相关背景并分析当下主流的人脸识别算法,为解决噪声干扰的问题引入了 Gaussian-Herminte正交矩。推导了无系数Gaussian-Hermite正交矩不变量,用来处理部分的人脸尺度变换、平移以及旋转等问题。同时,提出了各向异性Gaussian-Hermite正交矩和拉伸不变矩。然后设计出了新的人脸特征提取器:使用图像金字塔来获取人脸的全局和局部各向异性Gaussian-Hermite正交矩以及几何不变特征,利用散度率对特征进行筛选。最后,由于稀疏表示分类对光照变化、遮挡等具有较强的鲁棒性,选择特征稀疏表示分类作为分类器。同时本文介绍了如何使用截断的牛顿内点法求解稀疏表示分类模型。由此,本文提出了新的基于Gaussian-Hermite矩和稀疏表示的人脸识别算法。对三个常用的人脸的数据库ORL、FERET、Yale A的特点进行了分析,并在数据库上进行了大量的数值实验,将本文算法与一些常见算法进行了对比分析,结果表明:本文算法在上述三个数据库上的识别率更高,识别时间能满足实时性要求。