近年来,随着视觉传感设备以及模式识别技术的飞速发展,人脸识别技术己经成为了生物信息识别中一个非常热门的领域和重要的技术。目前,在人脸识别研究中,理论的研究和实际的应用都取得了优秀的成果,尤其是在静态标准人脸图像,识别率已经非常高,但是,在实际应用中,人脸识别易受到光照、人脸姿态、遮挡物、样本不足等因素的干扰,最终造成人脸识别率的降低。因此,提高人脸识别的正确率依然是相关科学研究人员目前关注的重点,也是本文展开研究的主要方向。本文简要分析了基于稀疏表示的人脸识别方法和基于虚拟样本的人脸识别方法的基本原理以及应用。此基础之上,根据稀疏表示的特点,提出了一种分组识别方法,同时结合虚拟样本生成技术,提出了一种新的基于虚拟样本的两阶段人脸识别方法。本文的主要工作和创新点如下:(1)本文从人脸图像在稀疏表示中的特征维数和训练样本间的关系出发,提出了一种分组人脸识别的方法,不同于其他现有的算法,这个算法简单有效,利用分组识别的方式抵消过多训练样本构造出的完备字典带给识别率带来的负面影响,同时这个算法还可以被应用于其他基于稀疏表示的算法之上。在与其他经典人脸识别方法的对比实验中,可以看到本文所提出的算法是更为有效的,身份识别的准确率更高,在人脸识别的鲁棒性上也有所增强。(2)为了进一步提高人脸识别的正确率,本文又在分组识别的基础上提出了基于虚拟样本的两阶段分组人脸识别算法,利用虚拟样本扩充训练样本数量,同时利用HOG进行特征值提取对图像降维,最后利用分组识别人脸识别方法进行识别,在极大降低了图像特征维数和计算时间复杂的情况下有效的提升了人脸识别的正确率,但是最佳G值得选择仍然是一个问题,目前两个结合不同虚拟样本生成方法的两阶段算法的最佳G值都是通过实验结果对比得来,具体的基本原理尚不清楚,是下一步研究的方向。最后,大量实验证明,这种方法能够得有效提高人脸识别正确率。