目前,人脸识别技术已成为计算机视觉领域研究热点,被广泛的应用于身份认证、边检安防、刑事侦探等领域。在实际应用中,人脸识别技术虽然在特定的场景中取得了良好的效果,但是在受到光照、表情、姿态及遮挡影响而导致识别率急剧下降。在诸多影响因素中,复杂光照对人脸识别的影响尤为显著,为了获取对光照不敏感的图像描述,本文对局部特征提取算法进行改进融合。论文的主要工作和创新点如下:(1)针对韦伯局部描述符(Weber Local Descriptor,WLD)算子对图像局部纹理描述不足的问题,提出了一种新的优化选择协同韦伯激励模式。首先利用协同中心-环绕接收视觉模型,构建了丰富的协同韦伯激励模式(Synergistic Weber Excitation Patternsg,SWEP)邻域结构候选模型,然后,利用基于改进互信息的特征优化选择方法,根据最小化冗余和最大化相关性的准则对SWEP候选模型优化选择,生成DSWEP特征描述。DSWEP采用内外两层邻域结构,能够充分利用具有类别代表性的邻域结构候选模型,可以更加有效的表征图像的光照不变性特征,对光照变化具有高的鲁棒性。(2)针对SWEP邻域结构候选模型对于类别描述强弱程度的差异,提出一种基于Boosting的DSWEP特征优化学习方法,该方法根据特征对图像的描述能力强弱学习不同的权值系数,生成C-DSWEP特征,提高了DSWEP特征的判别能力。(3)针对局部二进制模式(LBP)算子易受噪声影响,无法充分反映邻域灰度级变化的问题,提出了中心对称邻域加权平均的局部二值模式(Centrosymmetric Neighborhood Weighted Average Local Binary Pattern,CNALBP)。首先将传统的LBP单层邻域模型扩展到双层邻域模型,然后把每个方向的双层邻域像素加权平均;最后将关于中心像素对称的邻域加权平均值进行比较,并按照一定的规则进行编码。该算法能够有效降低计算量和特征维度。在此基础上,结合CNALBP和HOG算子的优点,提出了一种基于CNALBP和HOG特征融合的图像识别算法,对光照和噪声具有强鲁棒性。本文在CMUPIE、FERET、Yale B复杂光照公共数据库上进行相关实验,并与经典的人脸识别算法进行比较,结果证明了本文提出的改进算法的有效性,本文的成果具有较强的理论意义和实用价值。