| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-22页 |
| 1.1 模式识别研究背景 | 第11-12页 |
| 1.2 分类器设计方法 | 第12-14页 |
| 1.3 人脸识别中常用的分类器 | 第14-15页 |
| 1.4 低秩矩阵恢复 | 第15-21页 |
| 1.4.1 矩阵分解算法 | 第16-17页 |
| 1.4.2 低秩矩阵恢复 | 第17-21页 |
| 1.5 论文结构安排 | 第21-22页 |
| 第2章 基于低秩恢复的l_1范数最近邻凸包分类器 | 第22-30页 |
| 2.1 引言 | 第22-23页 |
| 2.2 最近邻凸包分类器 | 第23-27页 |
| 2.2.1 相关概念 | 第23-24页 |
| 2.2.2 点到凸包的距离 | 第24-26页 |
| 2.2.3 l_1范数凸包分类器原理 | 第26-27页 |
| 2.3 低秩子空间恢复 | 第27-28页 |
| 2.4 基于低秩恢复的l_1范数最近邻凸包分类算法（LRR_l_1 NNCH） | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于低秩恢复的l_1范数多观测样本凸包分类算法 | 第30-39页 |
| 3.1 引言 | 第30-31页 |
| 3.2 多观测样本分类描述 | 第31-32页 |
| 3.3 多观测样本分类原理 | 第32页 |
| 3.4 多观测样本分类算法 | 第32-35页 |
| 3.4.1 单源多观测样本分类算法 | 第33-35页 |
| 3.4.2 多源多观测样本分类算法 | 第35页 |
| 3.5 基于低秩恢复的l_1范数多观测样本凸包分类算法（LRR_l_1 CHDD） | 第35-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第4章 应用于人脸识别的实验与分析 | 第39-45页 |
| 4.1 LRR_l_1 NNCH在人脸识别中的应用 | 第39-43页 |
| 4.2 LRR_l_1 CHDD在人脸识别中的应用 | 第43-44页 |
| 4.3 本章小结 | 第44-45页 |
| 结论 | 第45-47页 |
| 参考文献 | 第47-50页 |
| 致谢 | 第50-51页 |
| 攻读硕士期间发表（含录用）的学术论文 | 第51页 |
