人脸识别技术被广泛研究并在社会生活中得到了广泛的应用。但是,随着应用的领域的拓宽,某些人脸识别任务的目标库越来越大,涌现海量的人脸图像,因此,快速而又准确的人脸图像识别检索方法变得越来越重要,已成为当今研究的热点。本文以大规模人脸数据库FRGC2.0为对象进行人脸识别快速方法的研究。在人脸特征提取方面,通过对现有方法的总结与分析,选用了人脸识别性能较好的局部特征提取算法LBP。基于分块的LBP算法相比基于整个图像的LBP更能体现人脸的细节特性,对光照变化更具鲁棒性,为此对LBP图像进行了分块处理。另外,由于每块特征维数较高且含分类冗余信息,所以利用PCA与LDA算法对每块特征进行降维,最后将各块降维特征串联在一起并得到最终的人脸特征信息。在上述工作基础上,针对传统的人脸识别检索方法面对海量高维数据时,通常会面临“维数灾难”而导致查询的速度慢的问题,本文着重研究了高维特征的快速检索哈希算法。首先介绍了局部敏感哈希算法和迭代量化敏感哈希算法,但是由于以上两种哈希算法哈希编码阈值均选取0不是最佳值,本文提出了遍历寻优哈希编码最佳阈值的方法,设计了训练样本哈希索引二值化过程中的最佳类内类间分类指标。同时,在新表建立过程中,采用Boosting算法,通过增大错误分类样本的权重,使得不同哈希表具有互补的分类效果。最后在FRGC2.0人脸数据库上,针对基于分块LBP人脸特征进行了实验。结果表明,提出的算法人脸首选识别率和在线查询时间两个指标均优于其它的哈希算法。