在计算机视觉和模式识别领域,人脸识别技术的研究起步较早,经过几十年的发展,人们对人脸识别技术的研究已经越来越成熟。目前已经出现了很多商用人脸识别系统,这些系统在较理想的条件下已经得到了人们的认可。然而在实际应用中,由于人脸图像本身和各种外部条件的限制,如特征表达方法的好坏、特征向量的维数大小,人脸识别技术还不能广泛的普及,因此寻找一种简单有效且计算量小的识别方法,才能真正广泛的普及人脸识别的应用。所谓的人脸识别就是通过对人脸图像进行特征提取,然后与训练知识库中的特征向量进行比对,从而进行分类识别,最后给出识别结果,也就是待测人脸图像所属的类别。本文对人脸识别过程中的人脸检测、图像预处理、特征提取、分类识别等问题做了相关的研究,最后实现了一个监控图像下的人脸识别系统,主要工作和成果包括：1.介绍了Adaboost算法人脸检测算法的基本原理。鉴于视频监控下的人脸识别对实时性的要求,本文采用了快速Adaboost算法进行人脸检测,其检测率和计算速度能满足实时系统的需要。2.总结了LBP算子的优缺点,研究了影响LBP人脸识别的因子。本文通过对LBP算子的详细介绍,总结出了LBP算子的优缺点。通过实验得出了影响传统LBP算子人脸识别的因子：预处理和分块方式。实验结果表明：预处理能明显的提高LBP人脸识别的识别率；分块大小对识别率有着很大的影响,分块数越多识别率越高,但是过高的分块也会使识别率降低。3.在研究LBP算子的基础上,采用了一种更适合监控图像的改进LBP算子,并采用了街区距离作为LBP直方图的相似性度量方法。在ORL和自己采集的人脸库上进行的实验结果表明：改进LBP算子优于传统的LBP算子,并且仍然保持了LBP算子计算量小,简单易懂的优点；采用街区距离后的识别效果要优于Chi平方距离。4.设计并开发了一个人脸识别系统通过对人脸检测和人脸识别方法的研究,在matlab下设计并实现了一个快速人脸识别系统。