人脸识别作为图像处理领域中的成功应用之一,它在过去的几十年中受到了广泛的关注。虽然现有的人脸识别系统在理论环境下已经有一定的成熟度,但由环境、设备等加入的客观条件还是限制了其在实际中的成功应用。设备采集的人脸图像由于受到环境中的光照变化、设备性能优劣不一等影响往往使其存在有噪声、阴影、对比度不够等缺点。本文针对图像中的噪声干扰问题,提出了一种自适应的非局部均值去噪方法,并结合人脸图像的结构特点和可行性分析,提出了基于自适应去噪方法的人脸识别方案,以及在Android平台上实现了一个本地的人脸识别系统。非局部均值滤波是一种高效的去噪方法,但经典的非局部均值方法可能不能为非重复性的图像块找到足够多的相似图像块。为了抑制这些缺点,我们利用自适应预分类提出了一种改进的非局部均值方法。该方法采用Hu不变矩和基于阈值的聚类方法来自适应的给含噪图像块分类。接着,我们采用了旋转匹配的方法决定一幅图像中两个图像块的合适的距离测量值。实验结果表明了该方法在量化标准和视觉效果上都超过了经典的非局部均值方法,特别是当图像含有大量噪声时,该方法拥有更好的去噪效果。针对非局部均值去噪方法对滤波参数敏感的问题,我们进一步改进了非局部均值去噪方法,使其更好的适用于人脸识别解决方案。一方面,人脸具有对称结构特点,利用Hu矩的第七个不变矩可以识别出更多镜面相似的图像块从而增加相似块的数量,从而达到提升图像质量的目的。另一方面,我们在非局部去噪过程中为滤波参数采用了自动设置方案,有利于应用于实际场景。本方法可以有效地降低噪声对人脸特征提取的影响,有助于下一步的人脸识别。根据所提出的人脸识别方案,我们在Android平台上实现了一个本地的人脸识别系统。本文的人脸识别方案能够有效地处理噪声对识别的影响,提升了人脸识别率与用户体验。