El reconocimiento facial de varias poses con pocas muestras siempre ha sido un tema interesante pero difícil en el campo del reconocimiento de patrones. Los investigadores han ideado una variedad de soluciones alternativas; sin embargo, estos métodos hacen que sea difícil extraer características efectivas que sean robustas a las poses o difícil obtener soluciones óptimas a nivel global. En este artículo, proponemos un método de reconocimiento facial de varias poses con pocas muestras basado en la desviación de hipergrafo y la optimización colaborativa de múltiples tareas (HDMCO). En HDMCO, el hipergrafo se incrusta en una descomposición de imagen no negativa para obtener imágenes sin desviación de pose. Además, se propone un método de codificación de características considerando la importancia de las muestras y combinando la descripción de datos de vector de soporte, la codificación de triángulos, etc. Este método de codificación de características se utiliza para extraer características de imágenes libres de pose. Por último, pero no menos importante, se optimizan conjuntamente múltiples tareas como la extracción de características y el reconocimiento de características para obtener una solución más cercana a la solución óptima global. Los resultados experimentales exhaustivos muestran que el HDMCO propuesto logra un mejor rendimiento de reconocimiento.