在当今人工智能和计算机视觉高速发展之下,人脸识别一直是一个比较热门的分支,常被应用在智能家居、刷脸支付和机场、车站身份验证等场合中。尤其在全球新冠肺炎疫情下,人脸识别这种无接触的生物识别方式显得尤为重要。针对肺炎疫情下因戴口罩导致的面部遮挡和其他面部信息局部丢失的情况下的识别准确率迅速下降的问题,本文通过对局部二值模式和主成分分析网络改进,提出了一种基于多特征融合的特征提取方法,降低了因信息丢失对识别精度的影响,提高了遮挡下人脸识别的准确率。首先研究了局部二值模式（LBP）算子,针对传统LBP算子在对局部纹理特征提取时旋转易变化和中心点相互作用导致像素信息错乱的问题,提出了一种定向差异化均值LBP算子（DDMLBP）。在保证LBP算子优点的前提下,通过对原始LBP引入均值化的动态阈值和定主方向编码,实现了旋转不变性并且改善了像素信息错乱的问题。其次研究了主成分分析网络（PCANet）模型,针对PCANet在非线性数据特征提取时拟合能力不足和特征利用率不高方面做出改进,提出了一种多层融合的核主成分分析网络（MF-KPCANet）模型。一方面在PCA层之前引入核变换,增强了对非线性的拟合能力。另一方面为了提高特征的多样性将第一层浅层特征和第二层语义特征进行融合,可以一步稀释遮挡对识别率的影响。最后为了提高对遮挡人脸特征的描述,通过对DDMLBP的特征图提取PCA卷积核并做卷积操作得到特征与MF-KPCANet提取的特征相融合作为原始图像的最终特征输出。在人脸的分类识别中,使用局部纹理特征和深浅层次全局特征融合后的输出特征构造表示字典,进行稀疏表示的分类识别,降低了因遮挡和信息缺失对识别准确率的影响。本文在公开数据集和自建的引入了随机遮挡块和模拟口罩遮挡的数据集上进行了多算法的横向对比试验。经验证,本文方法的识别准确率相较其它方法均有一定的提高,并具有较好的鲁棒性。