人脸识别作为图像分析和理解方面最典型的应用之一，在信息安全、电子商务、人工智能等领域得到了广泛的关注和应用。传统的人脸识别技术主要是基于灰度图像的人脸识别，这也是人们最熟悉的识别方法，已有数十年的研发历史，但其在实际应用中的识别精度难以满足人们的预期要求，特别是采集的图像中存在光照变化、摄像方位变异以及其它干扰时。人脸识别系统中采集的原始人脸图像通常以网格像素的灰度值表示。孤立的像素灰度集合不能直接反映人脸的内蕴特征,引入适当的变换，将其映射到变换域空间进行识别处理是行之有效的提高识别性能的处理途径。二维离散分数阶傅里叶变换(2D-FRFT)作为传统傅里叶变换的一种广义形式，其变换过程可以解释为将信号在时频平面内进行逆时针旋转的结果。人脸图像不同阶次的分数阶傅里叶变换，对应不同的分数阶域特征空间，从而可以更加有效的进行图像表征特征的提取。本文深入研究了图像分数阶域的特征特性，提出了基于二维离散分数阶域的特征提取方法，论文的主要工作和贡献如下：1.本文提出了基于分数阶域幅度特征的稀疏表示和分类（FRFT-SRC）方法。多阶次分数阶域幅度特征的应用，不但丰富了人脸图像的表征特征空间，而且可以计算出一个压缩的FRFT条件字典，进而降低了条件字典的维度，使计算复杂度得到了一定的降低。同时，基于分数阶域幅度特征的能量聚集性，文中提出了基于稀疏PCA(Sparse-PCA)算法的分数阶域幅度特征提取方法。2.本文通过对二维离散分数阶傅里叶域相位特征空间性质的研究，得到分数阶域相位域空间包含有丰富的视觉特征(纹理信息)且包含有人脸空域形状的内在特性，在人脸识别应用中具有重要的作用。基于此，本文提出了基于人脸图像多阶次的分数阶域相位特征空间的局部异或(FRFT-LXORP)纹理特征提取方法。同时为了减小描述纹理特征的向量空间的维数，避免特征提取时易出现的小样本问题(SSS问题)，本文提出了基于模块化的Fisher判别特征提取方法。3.为了提取人脸图像丰富、有效的互补特征集，该文建立了基于二维离散分数阶域幅度特征空间、相位特征空间和实部虚部特征空间的特征提取模型。基于三种特征不同的性质，分别提取三种不同形式的互补特征集，而后计算出三种特征提取模型分类器的相似度矩阵。在决策层，用加权和的方法对三种模型的相似度矩阵进行融合得到总的相似度矩阵，用最近邻分类器进行分类得到识别结果，与基于单一特征形式的识别方法相比，识别效果有了进一步的提高。