人脸识别技术由于其具有安全、保密、友好、方便等特点,从上世纪六十年代开始,被广泛应用于金融、信息安全及公共安全等领域。然而,现实中采集到的人脸图像往往会因各种复杂因素的交错混叠而发生局部遮挡。局部遮挡的复杂性和不可预料性,为人脸识别带来了巨大挑战。因此,设计一种综合性能优良、能够有效削弱遮挡等不可预料因素影响的算法是关键。众多研究者针对此问题做了深入研究,然而仍然存在着难题:算法对于遮挡并不鲁棒,一旦遮挡水平超过某个临界点,其识别能力会迅速下降;当训练样本较少时或除了遮挡以外还有其他干扰(如光照变化)时,现有方法的识别效果并不理想。本文针对小样本情形下的有遮挡人脸识别问题和存在光照变化遮挡的人脸识别问题,进行了深入地研究。分别提出了基于贝叶斯多元分布的特征提取与识别算法和基于梯度脸和马尔可夫随机场的有遮挡人脸识别算法。本文的主要工作和已取得的研究成果如下:(1)针对小样本问题,提出了基于贝叶斯多元分布的特征提取与识别算法。通过对人脸图像的分块解决了有遮挡人脸识别中训练样本缺乏即小样本问题,并且使得遮挡信息分散,尽可能地降低遮挡对识别的影响。在贝叶斯方法的框架下,通过多元高斯函数和指数函数分别约束类内特征和类间特征,保证投影后新的特征有较小的类内距离和较大的类间距离,提取出具有最佳可分离性的新特征。利用提取出的每个子块的低维特征,根据投票原则,能更好地解决小样本下有遮挡的人脸识别问题。(2)针对同时存在光照变化时有遮挡的人脸识别问题,提出了一种基于梯度脸和马尔可夫随机场的有遮挡人脸识别算法,解决了当存在光照变化时,有遮挡的人脸识别率偏低问题。首先将图像从原始像素域变换到梯度脸特征域,降低因光照变化对图像产生的影响。然后,构建了重构误差的概率生成模型,并且融合重构误差概率模型和遮挡支撑的结构模型:考虑了有遮挡区域和无遮挡区域的误差分布,分别用均匀分布和加权条件高斯分布进行建模;同时也考虑到遮挡结构信息的连续性,采用马尔可夫随机场进行建模。这使得该算法能有效地检测出遮挡位置,进而可用无遮挡的信息进行人脸识别,提高了识别率。在AR和Extended Yale B等人脸数据库上的数值实验,验证了本文算法相对于已有算法的有效性。在今后的工作中可考虑研究因其他环境变化如表情和姿势的变化,对有遮挡人脸识别的影响,进而提高算法的实际应用效果。