伴随着人脸识别技术的发展进步以及产业化,也暴露出现有技术的不足。其中复杂光照以及遮挡是影响人脸识别系统性能的两大重要因素。人脸识别系统在复杂光照以及遮挡的条件下的改进优化成为必然,针对此问题的研究不仅具有理论意义更有向生产力转化的实际价值。本文从人脸图像存在复杂光照和遮挡两种情况出发,对人脸识别问题进行了研究,主要工作如下:1.提出了基于Retinex理论的人脸识别方法分别对单尺度Retinex算法、多尺度Retinex算法、韦伯定律的应用进行了讨论。改进了求解Retinex模型的算法,实现了复杂光照下的人脸图像的增强,基本思路是:(1)利用韦伯定律对图像的灰度值进行划分得到照度分区后的人脸图像;(2)根据不同区域的照度特点选取不同的环绕系数进行Retinex增强得到人脸的特征图像。同时在合并不同照度区域的时候引入了相邻像素的比例系数,避免合成后的图像存在过度不均匀或者出现色块的情况。在扩展Yale B人脸数据库和ORL人脸数据库上进行了试验,通过试验结果验证了提出的算法能够有效的增强复杂光照条件下人脸图像保留的人脸特征信息,从而提高了人脸识别系统的性能。2.提出了遮挡自适应的人脸识别方法分别对Haar-like特征与带有遮挡字典的稀疏分类器进行了讨论,提出一种遮挡自适应的人脸识别算法。算法通过利用Haar-like特征、卷积网络以及稀疏分类器完成整合改进。基本思路是:(1)将人脸图像利用Haar-like特征和Adboost算法求解计算出人脸是否存在遮挡,(2)利用卷积神经网络对人脸的特征进行提取,依据人脸是否被遮挡进行分类,选取最佳的稀疏分类器。通过使用扩展Yale B人脸数据库和AR人脸数据库进行试验,证明了提出的算法能够有效地改进人脸图像在有遮挡的情况下的识别性能,同时还获得了更好的实时性。