随着社会的发展，利用生物特征来快速的鉴别个人身份成为安全应用领域的首选方式，并且已经逐渐成为国内外的一个研究热点。生物特征由于其内在的属性，具有很强的稳定性和个体差异性。人脸识别是生物特征识别中的一项重要技术，相比其它的生物特征，它具有直接、友好、方便等特点，易于为用户所接受。同时人脸识别技术的研究对于模式识别、图像处理等学科的发展具有重大的推动作用，有着广阔的应用前景。基于稀疏表示的人脸识别是一种将压缩感知理论用于人脸识别的新方法，本文对稀疏表示人脸识别进行了研究，将分布式压缩感知理论运用到了人脸识别上，并在此基础上针对光照问题及降维问题进行了深入研究，主要获得的研究成果如下：(1)提出一种基于Gabor滤波和联合稀疏模型的人脸识别方法。新方法首先对原始人脸图像进行Gabor滤波，提取人脸图像的Gabor特征；然后利用联合稀疏模型提取每类训练图像的公有特征图像及私有特征图像；最后利用提取出的特征来重构测试样本，根据重构误差对测试样本进行分类识别。实验结果表明，该方法不仅对光照有较强的鲁棒性，同时也减少了存储空间的大小。(2)提出一种联合稀疏模型与稀疏表示分类相结合的方法。由于联合稀疏模型在人脸识别问题上不仅考虑到了信号类内的相关性，同时也考虑到了信号类间的相关性，减少了存储空间的大小。而稀疏表示分类方法又有着高效的分类性能，因此本文提出通过提取每一类训练人脸图像的公有部分及私有部分的和来构造字典，再利用稀疏表示分类方法把测试人脸图像归到相应的类中。相比于稀疏表示分类方法，新方法减少了字典的原子数量。(3)提出了一种联合稀疏投影人脸识别方法。降维可以有效地降低系统的计算代价，降维矩阵的好坏又直接影响到识别的效果，因此本文提出在联合稀疏模型的基础上，通过解决利用稀疏的共有及私有部分重构出的图像逼近原始图像的优化问题，来推导出降维矩阵，从而保证在降维后的低维空间仍能保留图像的主要特征。在此基础上，利用该降维矩阵对图像进行降维和识别。在Yale数据库及CMU AMP数据库上对本文提出的上述三种方法进行了对比实验，并对实验结果进行了分析。这些实验均取得了较好的识别效果，验证了上述方法的可行性和有效性。