人脸识别作为人工智能以及计算机视觉领域一个重要的研究热点,近年来在很多现实应用中都可以接触到,比如,门禁管理系统和安全可视化系统。到目前为止,研究人员已经提出了大量的人脸识别算法。其中,基于样本之间线性表示的人脸识别算法是人脸识别中非常重要的一类识别方法,这种方法具有操作简单,运行效率高等特点。本文提出了三种改进的基于线性表示的人脸识别算法。本文首先提出了一种基于稀疏表示(Sparse representation based classification method,简称SRC)分类的有监督的维数约减算法,旨在保证提取出的特征能够很好的适应稀疏表示的判别分类,也就是说提高低维空间中的判别能力。该算法利用Fisher判别准则以及低维空间中的重构残差来提取数据中的判别结构。然后提出了一种充分利用人脸的梯度图像的协同表示分类算法,该改进算法经过融合原始图像和梯度图像能够达到提高识别精度的结果。最后提出了一种松驰的最小平方误差分类方法,该算法要求投影矩阵将所有训练样本转化到类标的近似值上而非严格预定义的类标上。本文用提出的三种改进算法在多个常用的标准人脸数据库中上做了大量的人脸识别分类验证实验,比如ORL数据库、FERET数据库、GT数据库等。而且,在每一次验证实验中均有跟近年来最新的基于线性表示的分类算法进行了对比。大量的实验证明,本课题所提出的分类算法模型的识别正确率均在原有经典算法的基础上得到了有效的提高。