近年来,随着大数据时代的到来以及深度学习的广泛应用,人脸识别已经成为计算机视觉的热点研究方向并取得了丰硕的研究成果。然而,随着研究的不断深入,人们发现实际应用中的复杂环境严重制约着人脸识别系统的推广及应用。其中,非均匀光照由于其在实际应用中难以避免且严重影响着人脸识别的准确率,成为了目前人脸识别技术中亟需解决的重要问题之一。本文从光照预处理、人脸检测、人脸识别三个阶段,对非均匀光照下的人脸识别关键技术进行研究,主要工作如下:（1）针对现有光照预处理算法大多只针对单一的光照场景而无法处理复杂光照场景的问题,提出了一种自适应光照预处理算法,解决了不同光照类型场景下的光照预处理问题。（2）针对现有人脸检测算法在非均匀光照下存在严重漏检的情况,提出了一种基于MTCNN和MB-LBP特征的组合人脸检测模型,提高了在非均匀光照下的人脸检测率。（3）针对Face Net在非均匀光照条件下准确率大幅下降且其采用的网络较为复杂、训练难度大的问题,提出了一种改进的Face Net人脸识别模型,得到了训练更加稳定、收敛更快的轻量级人脸识别模型,提高了在非均匀光照人脸数据集上的识别准确率。本文提出的自适应光照预处理算法利用已有的PCA特征提取人脸识别方法可以在非均匀光照数据集上大幅提高人脸识别准确率;本文自建了非均匀光照人脸数据库用于非均匀光照下人脸检测与识别技术的研究;在自适应光照预处理基础上,本文提出的基于MTCNN与MB-LBP特征的组合模型在自建人脸数据库上取得了96%的人脸检测率,相较原MTCNN模型提高了4.5%;在自适应光照预处理与改进的人脸检测模型基础上,本文提出改进的Face Net人脸识别模型在自建人脸数据库上取得了92.8%的人脸识别准确率,相较原Face Net模型提高了13.3%,并且模型大小约为原模型的十分之一。