人脸识别的主要难点在于光照、表情、姿态以及时间等变化导致不同人脸图像模式之间的可分性差，以及在现实应用中往往不可能获得待识别对象的多个样本导致难以有效训练。如何提取区别于其它个体的特征是人脸识别的关键所在。　　 本文主要研究如何行之有效地对人脸图像进行特征提取和识别，从两种思路出发进行了学习和研究：一是利用局部二元模式进行非统计的人脸匹配；二是使用基于流形的统计学习以提取非线性结构和提高泛化能力。具体有以下内容：　　 ①对比分析几种基于图像处理技术的光照预处理方法。制定实验方案对几种方法对比分析，结果证明了各方法的有效性，但也反映了基于图像处理方法的弊端：1)未充分利用先验知识估计光照影响；2)本质上都是去除低频光照信息，缺乏深入的筛选；3)参数的影响难以量化。这些缺点导致同一方法结合不同识别算法呈现明显差异。　　 ②研究并实现局部二元模式(LBP)在表情识别中的应用。针对LBP难以提取图像多层次信息的问题，采用Gabor+LBP的方法表示与匹配人脸，此方法因利用了Gabor滤波提取图像不同方向和尺度特征而更具描述能力。最终将这种方法应用于面部表情识别，通过在JAFFE上实验Gabor+LBP在不同分块数上的识别率都有所提高，在分块数较少时改善效果更明显。　　 ③分析流形学习方法并应用于维数约简和人脸识别。流形学习旨在发现嵌入在高维空间中的低维流形结构，并给出有效低维表示。在介绍常用流形方法Isomap、LLE、Laplacian Eigenmap基础上，制定实验方案在不同数据集上进行数据约简实验，具体分析不同方法的优缺点和局限性，最后将流形学习方法应用于人脸识别实验。　　 ④研究基于监督流形学习的人脸识别方法。分析流形学习在分类过程中的缺陷，利用对拉普拉斯映射的线性方法加入类别信息和类间约束的方法，使之成为更具判别能力的识别方法，通过实验DLPP体现了较好的分类性能和泛化能力。最后使用一种结合LBP的DLPP识别方法，通过实验验证了合理的人脸描述对识别的意义。