人脸识别的关键步骤是特征提取,目前的主流特征提取算法,有基于单张图像和基于多张图像,本文着重阐述了基于单张图像的特征提取算法,同时也对基于多张图像的特征提取算法进行研究。针对仅使用某一特征匹配方法难以兼顾人脸差异变化对识别精度影响的问题,研究了基于单张图像和基于多张图像的人脸识别方法的基本理论,在分析现有理论和算法的基础上,本论文主要的研究内容与创新工作包括以下内容:首先,归一化不变的PCA特征提取匹配算法。当对训练图像进行平移转换时,该技术能够准确的表示人脸不变的固有信息结构,归一化不变的PCA特征提取算法可以交替地归一化图像、更新特征空间,通过求取归一化图像与重构图像之间的最小均方误差,创建最优特征空间,使图像归一化和特征提取之间相互促进,实现对人脸图像的较高识别率。其次,多方向多层级双相交模式的特征提取算法。该方案利用高斯算子的一阶导数,降低光照对识别的影响,多方向多层级双相交模式是一种新的人脸描述符的表示方案,主要运用了人脸中固有的结构信息,在整体层级和细节层级分别求得特征信息,整体层级和细节层级相互融合促进,使其有较强的鉴别能力,并且对光照、表情变化的鲁棒能力较强。最后,基于图像集的字典学习联合特征提取算法。在测试集和训练集中都包含从不同姿态、光照和不同表情的多张图像,并且图像集中包含很多低分辨率的图像,通过对特征投影矩阵和结构化字典的同时学习,提取更多的判别信息,保留图像重建的细节信息,与其他字典学习算法相比,提高其精度。