作为计算机视觉与生物信息学等交叉学科研究热点之一，人脸识别技术为国家公共安全、人机交互等核心应用领域的信息化进程提供技术支撑，在学术界和工业界引起高度关注。然而，人脸识别技术经过几十年发展并未取得预期效果，进展缓慢，尤其还面临着在光照的复杂性、姿态的多变性、遮挡的随机性以及表情多样性等诸多方面的挑战。现有人脸识别算法主要基于经典统计学习理论，该理论是建立在大量样本的基础上，可有效处理低维数据，但对高维数据难以奏效。人脸数据是高维数据，而且可采集的样本数量是有限的，因而经典统计学习理论与人脸数据特征存在明显失配问题。压缩感知理论是由Donoho 与Candes等人于2006年提出的一个新的理论框架，该理论一经引入人脸识别领域就掀起新的研究热潮，其中最为经典的是稀疏表示人脸识别算法（SRC）。与现有多数方法相比，SRC方法直接利用了高维数据分布的稀疏性进行统计推断，可以有效地应对维数灾难问题。同时，SRC方法直接利用原始像素进行人脸识别，避免了各种预处理过程造成的信息丢失。但是，现有SRC方法要求测试图像和训练图像严格对齐，而姿态和表情的变化会引起人脸图像产生对齐误差，导致SRC 性能下降，严重阻碍了SRC方法走向实用。　　 本文研究了姿态变化条件下的压缩感知人脸识别算法和表情鲁棒的压缩感知人脸识别算法。主要研究内容和创新点包括：⑴提出一种姿态鲁棒的分块稀疏表示人脸识别算法（PSRC）。对人脸图像进行分块表示，利用仿射变换模型对各图像分块的姿态变化进行建模，估计测试图像分块和相应的最优匹配注册图像块之间的仿射变换参数来进行姿态矫正。实验结果表明，与现有算法相比，PSRC 可以处理较大范围的姿态变化。⑵提出一种仿射变换参数全局最优求解算法。为了提高参数估计精度，算法利用重构误差最小化技术为各图像分块估计较优的初始值，避免陷入局部最优。实验结果表明，估计仿射变换参数初值有效提升了PSRC 算法性能。⑶提出一种表情鲁棒的压缩感知人脸识别算法。利用形状模型实现测试表情人脸与正面无表情注册图像的配准。选取正面注册图像组成字典,并用该字典稀疏表示测试人脸以识别该人脸图像的身份信息。实验结果表明，在微笑、皱眉和惊讶等表情下，本文算法取得很好的识别效果。