稀疏表示分类算法在模式识别领域已经取得了较大的突破,并成功应用于人脸识别中。基于稀疏表示的人脸识别算法是一种简洁高效的方法,对遮挡、光照以及噪声等现实情况具有鲁棒性,并在实验中取得了较好的结果。Cai等人所提出的基于概率协作表示的人脸识别算法在稀疏表示分类方法的基础上进行了改进,通过加权最小二乘算法扩大了不同类之间的差异,但该方法仍然存在一些缺点。一方面,目标函数的表示不够稀疏,在某些程度上该方法的收敛速度较慢。另一方面,直接使用训练样本作为字典,导致该方法不能有效的表示测试样本,并且不利于利用隐藏在训练样本间的信息。针对上述问题,本文从两个方面对算法进行改进,通过扩大类间差异、缩小类内差异来改善人脸识别的准确率。第一个方面从稀疏表示方面进行改进,在概率协作表示算法的基础上,通过对目标函数的改进使我们提出的方法更加稀疏,在增加权重的基础上,又添加了l1范数项,将概率协作表示和稀疏表示的优点结合起来,有效提高了人脸识别的准确率。第二个方面从字典学习方面进行改进,在字典对学习和概率协作稀疏表示算法的基础上,提出一种基于字典学习的协作稀疏表示分类算法。在AR、YALE人脸数据库上的实验表明,本文提出的改进方法具有较好的识别效果,在遮挡、像素破坏等情况下均具有鲁棒性。