身份认证和识别是人类社会活动中最基本的问题之一,人们需要在社会活动的诸多场合中验证自己的身份。人脸识别所具有的非接触性、直观性以及非强制性等特点使其拥有其他生物特征难以比拟的优势。现实中已经有越来越多的人脸识别产品投入使用,但人脸信息在条件不受限制的自然状态下,识别的可靠性以及准确性会大幅降低。为了进一步提高在面对复杂环境时人脸识别的鲁棒性,本文对人脸识别问题进行研究,具体研究内容如下:（1）针对人脸图像在复杂光照环境下识别性能下降等问题,提出了一种多特征融合的人脸识别方法。该方法利用人脸纹理以及边缘特征在复杂光照条件下具有鲁棒性强的优势,采用改进的多尺度LBP算法结合HOG算法提取人脸特征,使用广义判别分析对提取的特征进行降维,并使用判别相关分析算法对两种特征进行融合,得到了一个描述信息互补的融合特征,从而获得比单一特征更为全面和有效的特征信息,有效地提升了特征提取的能力。使用该方法在多个人脸数据集上进行了实验后,结果表明该算法取得了较好的识别效果。（2）针对传统Softmax损失无法提取出类间间距大,类内间距小的样本特征。因此基于归一化的思想,针对L2-Softmax Loss进行归一化改进并提出了一种基于改进L2-Softmax Loss和Ring Loss的联合双约束损失函数。该损失函数具有缩小类内紧凑度和扩大类间差异度的优良特性。（3）传统特征重点提取人脸图像的浅层信息,而深度学习模型则侧重于通过大量的人脸样本提取人脸的高级语义特征。为了最大化利用两种特征的优势,利用改进的深度学习模型提取的特征和传统特征进行融合,通过对比实验验证了融合后的特征具有更强的鲁棒性。