人脸识别虽已被研究多年,但目前仍是计算机视觉领域里的研究热点。本文对人脸识别领域里的一些关键技术进行了研究,内容涉及人脸检测,特征提取,分类器设计及软件平台实现。在人脸检测方面,介绍了常用的人脸检测方法,并重点介绍了性能优越的AdaBoost算法。在此基础上,利用OpenCV对输入图像进行了人脸检测,并对检测到的人脸图像进行标准化处理,包括人脸图像的旋转、大小和灰度校正,为后面的特征提取和识别打下良好的基础,并对FERET人脸数据库进行了人脸检测和识别实验,分析比较了图像标准化处理对人脸识别率的影响,实验结果证明标准化处理可以提高人脸识别率。在特征提取方面,本文主要介绍了PCA、LBP、LGBPHS和WLD这四种常见的特征提取算法的原理及优缺点。其中WLD性能要优于其它几种算法,但WLD特征是直方图特征,它是一种全局描述符,侧重描述人脸图像的整体属性,容易丢失细节信息。本文引入局部空间信息改进其鉴别性能,并在特征提取方法中,改进了梯度方向计算方法,以便更好的提取方向信息和抑制噪声。为了验证改进特征的性能,用支持向量机进行人脸识别,人脸图像取自ORL和YALE人脸数据库。实验结果表明,采用改进后的特征可以显著提高人脸识别率。同时本文也介绍了最邻近和支持向量机这两种分类器的原理,实验分析比较了最近邻分类器和支持向量机的分类效果,实验中采用的是LBP特征提取算法,实验结果表明支持向量机的分类效果要优于最近邻分类器。最后构建了人脸识别软件系统,完成了真实场景下图像实时采集,人脸检测,人脸图像集训练和识别的过程,从而验证了相关工作的可行性和有效性,达到了预期效果。