多姿态人脸识别在计算机视觉中占据着重要的地位,其中最常见的研究方法为2D方法和3D方法。2D方法包括:不变特征的提取、虚拟视图重建、回归模型;3D方法包括:基于标定点的模型建立、基于像素的模型建立。针对2D方法中存在的缺陷,本文致力于结合传统特征和深度特征,提取人脸图像边缘梯度方向信息、尺度及旋转不变信息并应用于多姿态人脸识别。首先,提出一种增强边缘梯度方向信息的二值卷积神经网络。其次,提出一种尺度及旋转不变的深度二值策略进行多姿态人脸识别。具体工作如下:1.为了增强多姿态人脸识别中特征的鲁棒性,设计了一种增强边缘梯度二值卷积神经网络用于识别。首先,提出感兴趣区域局部二值卷积ROILBC（Region of Interest Local Binary Convolution）在人脸姿态图像上选择感兴趣区域。其次,提出降维修正梯度模式卷积DR-MGPC（Dimensionality Reduced Modified Gradient Pattern Convolution）进行特征优化,在此基础上,提出增强降维局部方向模式卷积Enhanced DR-LDPC（Enhanced Dimensionality Reduced Local Directional Pattern Convolution）获取图像增强边缘梯度方向特征。最后采用直方图相似度、卡方距离、常态分布比对的巴氏距离法作为测量依据来进行识别。本文在FERET和CAS-PEAL-R1数据集上进行了对比实验,提出的方法在识别精度和计算效率上比其它主流多姿态人脸识别更优异。2.为了解决多姿态人脸识别中尺度及旋转变化问题,本文设计了一种基于尺度及旋转不变的深度二值特征框架。首先,提出了主动尺度旋转掩模ASRMs（Active Scaling and Rotating Masks）,在此基础上,建立二值卷积差分金字塔DOBCP（Difference of Binary Convolution Pyramid）。随后在DOBCP上对极值点进行定位并排除干扰因素,从而赋予二值卷积差分金字塔中特征图谱尺度和旋转不变的能力,并构建描述块。最后,在描述块内特征点上建立特征描述符来进行多姿态人脸识别。实验分别在FERET和CAS-PEAL-R1数据集上进行,相比其它多姿态人脸识别方法,提出的方法在识别精度上更优异。