众所周知，人脸识别在执法、银行和海关的安全监控等方面具有广阔的应用前景。经过几十年的发展，现在已经出现了很多经典有效的人脸识别方法。但是在很多应用场景下，数据库对每个人只能采集到一幅人脸图像作训练，例如法律执行，驾驶证、护照的身份鉴定。这就导致了单样本人脸识别问题的提出。面对单样本问题，许多现有的人脸识别方法的识别效果大打折扣，有些算法甚至不能使用。因此，解决单样本人脸识别问题不仅是人脸识别领域学术研究的一大探索，还具有更广阔的市场价值。本文针对单样本人脸识别进行了有益的探索和研究。本文主要工作内容如下：①研究了现有单样本人脸识别领域的主流算法。首先对二维主成分分析（2DPCA）算法原理进行了深入研究，并且将其与经典PCA算法做了对比分析，然后，介绍了在2DPCA基础上改进后的两个方向上的2DPCA((2D)~2PCA)，最后实现了这些算法，在ORL人脸数据库上以实验说明了这些算法在单样本人脸识别中的效果。②针对现有算法不足，引入LBP算子做单样本的人脸识别。首先阐述了原始LBP算子的基本原理，接着介绍了扩展后的统一模式LBP、旋转不变的LBP等算子模式，然后重点研究了发展出的适合人脸识别的SELBP（空间增强LBP）方法，最后在ORL人脸数据库上的单样本人脸识别实验证明，SELBP提取的从局部纹理到整体结构的特征确实很有利于单样本人脸识别。③针对SELBP的先验固定加权融合这一不足，提出了适合单样本条件的自适应加权LBP（AWLBP）人脸识别方法。首先对人脸局部特征的分类性能差异作了分析，接着提出了一种便于区分这些特征的人脸划分方法，然后，以子图像序列发散程度描述其分类能力大小，进而提出了基于LBP的自适应加权融合思想，在相似度量上做自适应的加权融合，以期达到最优的融合效果，进一步用融合后的强分类器做单样本人脸识别。最后对本文方法AWLBP和上述所有算法（PCA、2DPCA、(2D)~2PCA、LBP、SELBP）加以实现，选取ORL人脸数据库作为实验数据库，在完全一致的条件下进行对比实验，用以检验这些方法在单样本人脸识别中的表现。实验结果表明，AWLBP确实取得了比上述几种方法更好的识别效果。