随着科学研究和商业应用的发展,人工智能技术已在医疗、交通、安防、互联网金融等诸多领域得到广泛应用。生物特征识别作为人工智能技术中的重要分支受到国内外科研组织和学者的研究和关注,并逐渐成为计算机视觉和人工智能的研究热点,其中尤以人脸识别技术最具普遍性。因此针对人脸识别的研究具有十分重大的理论意义和应用价值。基于以上观点,本文主要针对人脸识别算法的特征提取和分类识别过程展开研究,旨在提出针对复杂多变的训练环境仍具有准确性和鲁棒性的人脸识别算法。论文的主要研究内容为以下几点:(1)在现实应用中,人脸识别的结果容易受到样本采集角度的影响,如使用不同的样本姿态进行混合识别则会造成较大的识别误差。本文提出了一种针对多姿态混合数据的人脸识别算法。首先对数据进行人脸检测、降噪等预处理操作。然后设计选取基于两种不同的正则项的低秩分解模型并分别完成特征提取过程,得到第一型低秩特征和第二型低秩特征。最后,针对稀疏表示是通过选取最小残差进行分类判别的特点,设计一种基于最小残差和次最小残差的残差率对比模型,根据残差率对比确定最终的分类结果。通过设计使用对比模型这一策略,能够有效地选择出两种特征中的正确识别结果,提高识别率。(2)为进一步处理复杂的样本情况,本文除了考虑姿态变换的影响,同时考虑了其它复杂的采样环境,如光照、遮挡和表情等干扰。提出一种能够有效克服复杂环境变化和训练样本不足两个重要影响的人脸识别算法。算法中分别设计使用非凸秩近似范数和核范数进行两次低秩矩阵分解,以达到去除遮挡干扰的目的。首先通过非凸鲁棒主成分分析法分解得到去除光照、遮挡等变化的低秩字典。为加快算法收敛效率,将得到的低秩字典用作初始化矩阵,进行基于核范数的第二次低秩分解,以获得去除类间共同相似性的低秩字典并将其用于分类。最后,针对训练样本较少和遮挡样本占比过大等问题,选用不参与训练分类的外部数据作为辅助数据集,并通过学习得到辅助字典以模拟可能出现的遮挡、光照等影响。通过将辅助字典与低秩字典共同联立求解得到最小重构残差,获得最后的分类结果。本文对所提出的两种人脸识别算法均进行了详细实验。实验证明,本文提出的算法在多个经典人脸数据库中均获得高效的识别结果,具有一定的泛化能力。