人脸识别技术是一项非常具有潜力的生物识别技术,它能从人脸图像中获取有效信息,进行身份识别。由于人脸识别技术不需要被试者直接接触,而且可靠性高,不宜仿冒,因此广泛应用于安全监控、身份认证等多个领域。另一方面,人脸识别的研究涉及到图像处理、计算机视觉、模式识别、机器学习等多个学科和领域,有着深刻的理论价值。近些年来,人脸识别方法得到了很大的发展,其中研究主要集中于特征提取和分类算法,这两个问题也是人脸识别算法中的核心问题。压缩感知理论是最近提出来的一种信号编解码理论,根据该理论,对稀疏信号或可压缩信号,可以用低于奈奎斯特定律要求的频率对其进行采样,并可高概率恢复原始信号。压缩感知理论是最近研究的热点之一,在人脸识别领域有很大的应用前景。另一方面,流形学习方法也是近年来的热点研究领域,旨在从高维数据中挖掘内在的低维本质,在特征提取中能发挥很大的作用。本文首先研究了压缩感知理论,探讨了用于求解稀疏表达方法的反馈神经网络方法,对其进行了改进,并通过数值试验验证了维度参数对重建性能的影响,以及几种重建方法的性能。而后将稀疏表达应用于人脸识别方法中,将其与Gabor特征和子空间方法进行结合,取得了高于传统方法的识别率。另一方面,本文研究了流形学习方法,并对其中的边界Fisher分析方法进行了改进,通过白化类内紧致度矩阵进行特征值选择来降低过拟合效应对聚类的不利影响,提出了增强边界Fisher模型(EMFM)方法,进一步提高了识别率。本文通过在ORL、AR和FERET库上的仿真实验验证了本文提出的方法和框架的有效性。