Debido a la robustez de grandes corrupciones dispersas y la discriminación de etiquetas de clase, la representación de señales dispersas ha sido una de las técnicas más avanzadas en los campos de la clasificación de patrones, la visión por computadora, el aprendizaje automático, entre otros. Este artículo investiga el problema de la clasificación robusta de rostros cuando una muestra de prueba tiene valores faltantes. En primer lugar, proponemos un método de clasificación basado en la representación dispersa incompleta. Esta representación se reduce a un problema de minimización l1 y se emplea un método de dirección alternante de multiplicadores para resolverlo. Luego, proporcionamos un análisis convergente y una extensión del modelo sobre la representación dispersa incompleta. Finalmente, realizamos experimentos en dos conjuntos de datos de rostros del mundo real y comparamos el método propuesto con el clasificador de vecino más cercano y la clasificación basada en representación dispersa. Los resultados experimentales demuestran que el método propuesto tiene superioridad en precisión de clasificación, completación de las entradas faltantes y recuperación de ruido.