随着计算机视觉技术和机器学习技术的飞快发展，人脸识别技术应用在了生活的各个领域，例如身份识别和智能交互界面等。人脸识别是一种高维大数据集模式识别的典型应用。但数据维数过高不利于数据的分析和处理，传统的处理方法就是利用线性降维或者非线性降维的方法来解决维数灾难的问题。传统的并被广泛应用的线性降维的方法有主成分分析(PCA)，基于独立分量分析(ICA)和基于线性判别方法(LDA)等。它们在处理噪声较小的人脸识别上取得了满意的识别结果。但是人脸总会受到诸如，光照，遮盖，表情，姿势等各种噪声的影响。这样在利用线性降维的方法获取到的特征在识别上效果并不是很理想。流形学习作为近年来被提出的非线性维数约减算法，可以很好得解决人脸图像特征中的高维问题。目前基于流形学习方法的人脸识别算法已取得了广泛的应用。例如基于局部优化方法的局部保持投影(LPP)算法，拉普拉斯特征映射(LE)，和基于全局特性的测地距离的ISOMAP流形方法等。但是研究这些方法发现，流形方法都需要设置样本的k近邻来解决构造拉普拉斯矩阵的问题。这样会导致过大或过小的k近邻的设置使得样本失去了固有的流形特性。本论文研究的是利用稀疏方法来解决流形中k近邻的自适应学习。本文提出基于稀疏的局部与全局最优的框架（SPAF）来解决。SPAF框架有两个步骤。第一个利用稀疏学习方法构造局部最优块。第二个将所有的局部最优块统一到同一个坐标系下面构成全局的最优拉普拉斯矩阵。本文的主要创新点有如下两个:　　(1)通过稀疏学习表示的方法，解决k近邻的自适应选择问题，使得样本流形更加合理;　　(2)提出了基于稀疏的局部和全局最优的框架，通过多个数据库识别的实验，表明该框架具有较好的效果。