图像识别是计算机视觉和模式识别的综合应用,是指通过提取特征来全面理解图像的过程。人脸识别作为图像识别的重要分支,逐渐在身份验证和监控安防领域成为最受欢迎的应用。深度学习模型在计算机视觉领域取得巨大成功,本文基于深度学习思想和深度子空间模型这一新兴的深度特征提取模型,提出具有优异特征提取能力的人脸识别模型。首先,考虑到图像内部局部联系和实际环境变化,提出在Gabor特征描述子调制下的深度子空间模型,在深度子空间这一新型深度学习框架基础上,使用Gabor滤波器组处理图像,改变网络的层数和卷积核的形式,将全局特征和局部特征结合,得到Gabor调制下的深层抽象特征。实验表明结合了Gabor滤波器和深度子空间理论的模型对光照、表情、姿态等噪声更加鲁棒,获得更优的特征提取性能。其次,针对子空间映射提取图像的全局特征,易受训练图像影响,提出多层次深度网络融合特征提取模型,在深度子空间基础上,采用“卷积——池化”网络结构,提取样本的多尺度抽象特征;同时以整体特征为主,局部特征融合为辅,采用由粗及细的两步判别分类策略。实验表明融合局部特征与全局特征的模型可以取得较好的识别率,对光照、表情、姿态等有较好的鲁棒性。最后,针对人脸识别中小样本数据集缺少分布信息难以获得鲁棒图像表示问题,在深度子空间特征提取基础上,利用样本类间差异信息,引入邻域排斥度量学习实现低维度有鉴别力特征提取。最后基于协同表示分类器(CRC)完成模式分类。实验表明,度量学习联合深度模型可以有效提高模型性能和鲁棒性。