在模式识别和计算机视觉领域中，人脸识别是一个被广泛研究的前沿课题。由于其具有隐蔽性、非现场操作性、便于理解等优点，使人脸识别技术被越来越多地应用于安全监控领域、人机交换界面、人工智能方向及电子商务安全中。自然条件下，从设备获取的人脸图像常常伴随有表情变化、角度变化、光照变化、异物遮挡等噪声，为人脸识别带来极大困难。基于稀疏表示的分类方法，在处理上述噪声问题时，取得了一定的进展。但是该方法仅仅在处理高斯噪声时效果良好，而现实环境中，图像上的噪声常为非高斯分布，例如人脸上戴有眼镜、口罩等噪声情况;同时，该方法要求人脸图像在冗余字典上的表达系数必须满足稀疏性，而大多数情况下，训练样本不充足、样本相似度过高，则不再满足表达系数稀疏性要求。　　基于此问题，本文主要针对受非高斯噪声污染的人脸图像，在稀疏表示理论框架下，研究不同约束条件下的人脸识别方法，这些方法在常用的人脸库测试中表现出了很好的分类性能。　　本文的主要工作包含以下几个方面:　　第一，针对现有基于稀疏表示的分类方法，处理人脸图像的遮挡、光照鲁棒性差的问题，本文提出了一种基于稀疏表示理论的迭代阈值分割方法，该方法先有针对性地处理人脸图像中有遮挡或带有奇异点的噪声，然后再将噪声处理后的图像利用稀疏表示进行分类。文中利用稀疏重构图像的像素点来代替噪声点去噪，避免了基于稀疏表示分类方法中样本不充足，字典表达能力弱的缺点。　　第二，基于稀疏表示可以通过去除人脸图像上的噪声进行分类，但是如果每类样本间的相似度过高，那么基于稀疏表示分类算法的效率就会大幅降低。针对此问题，本文提出基于Fisher准则改进的稀疏表示模型，通过Fisher判别约束来增加不同类别之间的差距，使字典的判别能力增强;同时结合范数的应用，利用l2,1范数特性处理噪声，核范数约束低秩性，使字典对噪声的鲁棒性更强，进而提高人脸识别率。　　第三，基于稀疏表示的模式识别模型可以有效的解决人脸身份的问题。在带有标签的人脸识别问题中，建立字典的原子与类标签的关系矩阵，通过关系矩阵的更新，来合理分配字典每个原子为每一类的贡献权重，进而使字典的判别能力更精准。针对此问题，本文提出建立字典原子与类标签关系矩阵，基于关系矩阵的字典学习方法构建稀疏表示模型，同时利用l2,1范数来处理噪声，使训练的字典对于高斯和非高斯噪声都具有鲁棒性。实验结果表明本文所提出的基于字典原子与类标签关系矩阵的字典学习方法，构建稀疏表示模型，能有效利用标签信息，提高识别率。