近几年人脸识别越来越受到人们的关注和重视,许多研究机构和个人都投入了大量的研究,提出了一些新的识别算法,但是大量的测试和实践表明,要实现真正实用的人脸识别系统还有大量的问题有待解决,目前人脸识别性能主要受到表情、光照、姿态、年龄、背景、图像质量和计算复杂度等问题的影响。本文针对光照、计算复杂度等问题的研究,主要取得了以下几个方面的创新性成果：(1)运用图像均匀分块的Gabor特征提取及其集成方法。Gabor小波具有较好的生物视觉特性,能够很好的提取人脸图像的纹理特征,被认为是最好的人脸表示方法之一,但是Gabor特征维数过高,不利于后续处理,本文使用均匀分块的方式对Gabor特征进行分组,块与块之间允许重叠,对于每一组特征单独使用主成分分析和线性判别分析设计分类器,这样不仅降低了特征维数,而且使用多分类器集成的方法能够提高算法的分类能力。针对人脸不同部位产生的分类器的分类能力应该是有差别的,例如包含眼睛、鼻子、嘴巴等重要器官的图像子块分类能力明显要强于其他子块,因此需要给不同的子分类器分配不同的权重,本文使用训练样本集每个图像子块特征向量的类间差与类内差的比值作为各个子分类器的权值加权集成多分类器；(2)提出使用对数转换和局部归一化相结合的光照预处理方法。大量实验表明光照是影响人脸识别的关键因素,如何消除光照变化对人脸图像的影响也是目前研究最多的问题之一。对数转换能够扩展图像的低灰度区域和压缩图像的高灰度区域,使整幅图像的灰度分布更加均匀,削弱光照变化的影响；局部归一化能够提取人脸图像与光照无关的特征,但是在实际使用中会受到局部窗口内高低灰度值差异的影响。本文分析了两种预处理方法的优缺点,提出对数转换结合局部归一化的预处理方法,并通过实验结果说明了该方法的有效性；(3)提出使用类内加权的线性判别分析改进算法。线性判别分析是一种以分类为目的人脸特征提取方法,但是传统的线性判别分析认为所有人脸图像对分类的贡献都是一样的,没有考虑边缘类的影响,本文通过对类内协方差矩阵加权的方式,在一定程度上增强了算法对边缘类的分类能力。