人脸识别在公民身份验证、监控与社会公共安全领域具有重要应用前景。人脸识别寻求在自然场景下滤除姿态、表情、光照以及遮挡等情况还原人脸图像的真实身份。特征学习是人脸识别的核心问题之一。有效地提取具有分辨意义的特征对于提高人脸识别系统的性能具有相当重要的作用。本文分别研究了局部特征描述子、特征编码以及对于全局图像特征的处理,并在多个人脸识别与验证数据库中进行了大量实验对算法的有效性进行验证。本文研究的内容以及创新点包括:·提出一种多方向尺度不变特征:本文构建了基于二维高斯函数导数的多方向滤波器,提取互为补充的人脸图像的纹理信息。本文将滤波器响应与密集采样的尺度不变特征结合,并对多方向的局部特征进行联合编码,得到低维图像特征并取得了良好的图像识别率。·提出一种基于压缩费舍尔向量的人脸识别方法:本文使用加权残差和作为目标特征,突破了费舍尔向量对若干相关特征直接进行拼接的缺点,使得特征维度减半。同时,本文根据后验概率滤除掉离群的局部特征点,并根据范数对特征按照重要程度重新加权,使特征更加健壮。在多个人脸数据集上与各个已有的人脸特征相比,压缩费舍尔向量特征维度较低,且识别率均有优势。·提出基于多尺度深度卷积特征的压缩费舍尔向量:将压缩费舍尔向量的编码对象从传统特征扩展到了深度网络的卷积特征,并分析了多个尺度、多个范围的人脸图像对基于深度网络的特征提取的重要作用。在建立了深度卷积响应以及密集提取的传统局部特征形式上的等价关系后,对多通道、多模态的四维卷积响应特征通过联合聚类和编码得到全局图像特征。·提出了一种可扩展的迭代量化哈希编码方法:对全局人脸特征进一步进行有效的降维后,通过对迭代量化方法的优化条件进行松弛,将特征降维后投射到任意维度的比特空间。同时,我们对降维算法生成的特征平面进行正交化以配合后续哈希编码的有效性。本文所提出的基于特征学习的人脸识别模型具有一定的扩展性,为计算机视觉领域的科研人员提供了一些有价值的线索,也为我们未来的研究工作奠定了基础。