随着科学技术的进步,计算机视觉、模式识别以及人工智能等新型技术得到了快速发展,其中,人脸识别技术是计算机视觉领域中主要的研究热点,人脸识别过程主要包含三个部分:人脸检测、特征提取和人脸识别。现有研究中,在人脸表情变化较大、光照变化较大、部分遮挡等自然环境下的识别效果仍有待提高。本文在已有技术的基础之上,针对该复杂情形下的人脸识别技术进行深入的分析与研究,主要工作内容如下:1.人脸检测技术方面:首先研究AdaBoost人脸检测算法中特征的选择、弱分类器的训练、级联分类器的构成以及检测的流程,然后针对复杂环境下的检测问题,引入NPD差分特征,提出了一种深度二叉树来训练分类器,并且使用肤色算法进行预检测。实验结果表明:在多人脸、多视角检测背景环境下,本文算法较原算法检测率提高了8.7%、误检率降低了4.1%、检测速度提高了27.7%。2.人脸识别技术方面:对传统的线性判别分析方法(LDA)进行研究分析,发现在复杂多变的自然情形下,LDA算法对于图像中非线性特征的提取并不理想,针对这一问题,引入了核函数和RBF神经网络。改进后的算法通过核函数将输入空间映射到高维特征空间,更多的非线性特征信息得到了保留,再运用有效零空间线性判别分析进行特征提取,最后使用RBF神经网络实现分类识别。在AR人脸数据库上的实验结果表明:本文所提出的方法在复杂自然环境下的识别率较原算法提高了8.5%。3.识别系统实现方面:本文根据改进后的检测与识别算法设计实现了一个实时人脸识别系统,依据实验结果,改进后的算法在人脸变化较大的环境下依然能准确识别,进一步证明了本文算法的有效性、实用性。