人脸识别作为一个科学问题,涉及图像处理,模式识别,人工智能,机器学习,认知科学等多个学科,因此人脸识别研究可促进这些学科的发展和进步。人脸识别作为一项重要的生物特征识别技术,可应用于国家公共安全,信息安全,金融等各个领域,因此具有广阔的应用前景。识别精度与识别速度是人脸识别系统的两个重要性能指标。为了提高识别精度,本文分析了现有回归方法的局限性,提出了三种基于回归思想的改进算法以增强算法对光照、表情、遮挡以及姿态变化的鲁棒性。为了提高识别速度,本文研究了两类并行实现方案：(1)研究适于硬件电路分布式并行计算的人脸识别算法；(2)研究适合在机群系统上运行的并行人脸识别算法。本文的主要工作和成果总结如下：在提高识别精度方面,首先分析了稀疏表征分类方法的局限性,在字典构造阶段,通过引入Gabor特征,并且考虑不同Gabor特征对识别的不同贡献,提出了一种加权多通道Gabor稀疏表征分类算法。为了更充分地利用Gabor特征的空间位置关系所提供的局部信息,提出了一种基于局部Gabor稀疏表征分类器模糊集成的人脸识别算法。分析了稀疏表征分类算法不能有效处理大姿态变化的原因,在岭回归方法的基础上,通过引入非线性核变换技术,提出了一种基于核岭回归的姿态鲁棒的人脸识别算法,该算法可更准确地对三维空间中姿态无偏的表示系数进行估计,从而减少同一个人不同姿态图像表示系数的方差,增强类内不同姿态图像间的身份相关性。针对稀疏表征分类方法中稀疏系数的求解计算量大的问题,通过引入单层回归神经网络(Recurrent Neural Network,简称RNN)模型对最小l1范数问题和最小l0范数问题进行优化求解,提出了一类适于硬件电路分布式并行计算的RNN优化计算方法用于求解稀疏系数。对于最小l0范数问题的求解,设计了一组分段倒高斯函数,并取它们之和作为目标函数来逼近l0范数,进而在优化过程中采用启发式搜索策略,不仅可保证RNN的全局收敛性,而且取得了十分理想的重构效果。将RNN优化计算方法应用到稀疏表征分类方法中求解稀疏表征系数,得到了更高的识别精度。为了提高计算速度,设计了三种并行人脸识别算法,包括并行的加权多通道Gabor稀疏表征分类算法,基于LGBPHS的并行人脸识别算法以及并行纠错支持向量机算法。在PC机群系统上实现了上述并行算法,并且对并行算法的性能进行了测试。实验结果表明提出的并行算法有效地加快了训练和识别的速度,同时能够保证识别精度不变。