随着计算机视觉领域的快速发展,人脸识别技术已经在各大领域得到了广泛的应用。而绝大多数人脸识别系统在应用时往往处在复杂的环境中,而环境的变化,尤其是光照强度和角度的变化,会影响到系统对人脸的表征不足,从而影响人脸识别的准确性。本文针对非可控光照变化人脸识别问题,从两个角度分别设计解决方案。一方面,针对非可控光照变化人脸图像对人脸识别率的影响,基于Retinex理论,分别对光照和反射分量进行处理,从而消除光照变化对人脸表征的影响。另一方面,针对光照人脸图像表征难的问题,基于特征金字塔FPN和PCA的特点,融合多尺度、多环境下的人脸特征,获取具有更丰富语义表示的人脸图像特征。首先,针对非可控光照因素导致人脸识别准确率变低的问题,基于Retinex理论,即原图像可分解为具有物体本身属性特征的反射分量和具有光照影响的照度分量。Se LENet网络在只针对照度分量进行处理后,增强后的图像容易出现亮度相差很大的边缘部分,本文在Se LENet网络的基础上对分解网络进行改进,并增加了对反射分量的增强模块,通过对反射分量和照度分量分别进行增强和抑制后,达到最大程度消除光照对人脸识别率的影响。实验表明,改进Se LENet网络处理后的弱光人脸图像识别率有较大提升。其次,针对传统神经网络对光照变化大的人脸图像表征性差的问题,在结合特征金字塔能够获取多尺度、多环境下的人脸图像,以及PCA算法应用线性变换,将去除噪声的特征数据投影到低维空间,并且完全无参数限制的特性,获取人脸图像中关键特征信息、降低计算复杂度。将二者特性相结合,对特征金字塔每个层级输出的特征图进行PCA特征提取,采用判别相关分析DCA进行特征融合,广义判别分析GDA进行降维,能够获取到多尺度、多环境下具有更丰富语义的人脸特征表示。实验表明,本文方法能有效提高对光照变化下的人脸图像识别率。与目前主流的光照预处理算法和传统神经网络方法相比,本文方法在Extended Yale-B、CMU-PIE、和Feret光照人脸数据集上的人脸识别率均有较大提升。