随着图像识别技术的深入研究和人工智能技术的飞速发展,人脸识别领域受到了研究人员的极大关注,并在如视频监控,社交网络,人脸解锁等众多领域取得了广泛的应用。但是由于受到光照,姿态,遮挡和表情变化以及样本数量等因素的影响,人脸识别技术仍存在巨大的挑战。其中,人脸识别在实际应用中有限的样本数量是影响人脸识别性能的主要因素之一。针对小样本条件下样本数量较少和大部分算法识别率较低的情况,对如何增加小样本条件下的样本数量和有效提高算法的识别率进行了深入的研究。主要工作如下:针对小样本人脸识别领域,人脸姿态变化、面部表情改变和光照不均衡等图像识别的常见问题以及小样本条件下人脸样本不足的根本因素,通过深入研究发现,对称人脸图像有利于克服光照问题和人脸姿势、表情改变导致的影响,生成虚拟人脸样本是提高小样本数量的一个重要方式,但是虚拟人脸样本存在失真、降低识别精度的缺点。对此,本文提出了一种局部近似对称人脸图像生成方法。通过两个原始人脸图像的平均值用作虚拟面部样本,使虚拟的半边脸以取代原始的半边脸,合成一张人脸。因为该方法既利用了虚拟人脸,又基于对称性的原始人脸生成合成人脸,所以合成的面部接近于原来的面部。通过实验结果表明,合理的虚拟样本不仅能正确地模拟人脸的姿态、表情等变化,而且有助于提高人脸识别的精确度。在一些如反恐、罪犯搜捕等特殊环境中人脸识别,训练样本通常往往非常稀少,以至于不能代表测试样本。因此,小样本条件下的人脸识别很难根据其类间变化考虑类内变化,并且图像之间的残差将导致产生错误的人脸识别结果。为了在每个人脸图像小样本条件下有效地识别人脸,本文通过寻找一个线性投影矩阵,使类内重建残差较小,同时在变换后的低维空间中,类间重建残差较大。通过研究发现,奇异值分解得到的图像特征具有稳定性、旋转不变性、镜像变换不变性等性质。对此,本文提出了一种新的无监督降维算法,称为奇异值分解投影法(SP),它可以更好地处理基于稀疏表示分类中基于残差的决策规则。通过与稀疏表示算法的有效结合,使用合成数据库、AR数据库、PIE数据库以及FERET数据库进行了一系列的实验及结果对比分析,结果表明,该算法有效提高了小样本条件下的人脸识别的准确率,同时该算法具有运算成本低、鲁棒性好、样本特征不相关等特性,并且保持了无监督降维算法的简单性和有效性。