目前随着科技的快速发展,个人隐私信息泄露事件频频发生,针对个人隐私信息存在泄露的问题,生物特征识别技术应运而生并且得到快速的发展。其中,人脸识别技术不仅识别率高而且不会对被识别对象造成干扰。基于稀疏表示的人脸识别具有高识别率、易接受性、无侵犯性、实时性、低成本等优点将是未来生物特征识别技术的研究热点。基于稀疏表示的人脸识别算法用全部的训练样本对测试样本进行线性表示,并没有考虑训练样本的类别代表性,没有忽略训练样本中对测试样本权重为零和权重很小的训练样本。针对传统稀疏表示算法存在的这种缺陷,本文将稀疏表示理论与近邻分类算法结合得出了基于稀疏表示的最近邻分类算法和基于加权稀疏近邻表示的人脸识别算法。基于稀疏表示的最近邻分类算法的基本理论是:首先在所有的训练样本类别中通过最近邻分类算法求得距离测试样本最近的训练样本,将选取的训练样本构成训练字典,然后根据稀疏表示数学模型求解稀疏系数和每类训练样本在表示测试样本的误差,将测试样本分类到对应最小误差的类别。基于加权稀疏近邻表示的人脸识别算法的思想是:首先在每一个类别的训练样本中选择距离测试样本最近邻的K个训练样本构造新的训练样本字典,在求解稀疏系数前为求取每一个训练样本的稀疏系数附上一个权值,最后选取的最小误差的训练样本确定测试样本的类别。本文通过选用ORL和Yale人脸库进行实验验证,通过实验结果可知,本文基于稀疏表示的最近邻人脸识别算法和基于加权稀疏近邻表示的人脸识别算法的人脸识别率要优于传统的稀疏人脸识别算法和主成分分析算法(PCA)、稀疏保持投影算法(SPP)、最近邻分类算法(NNCM)等算法。