近年来,人脸识别已经成为计算机视觉与模式识别领域中挑战性极强且意义深远的研究课题。人脸识别相关课题的研究可分为人脸鉴别与人脸验证,其通过计算机提取并分析面部特征,使计算机对不同身份人脸图像进行识别。目前人脸识别技术给人类生活带来诸多便利,但仍有很多问题需要科研人员不断深入探索与研究。本文阐述了人脸识别研究背景及意义,国内外研究现状,介绍了人脸识别相关技术,提出了一种特征学习的算法并将其与其他特征融合用于人脸识别的研究。具体研究内容如下:(1)首先,本文针对人脸图像预处操作进行相关研究,运用Viola-Jones算法对原始人脸图像进行面部检测,并通过仿射变换等空间规范化操作定位与矫正面部,最后通过灰度规范化处理操作,得到干扰信息较少的人脸图像。(2)为降低人脸图像维度,提高人脸识别的准确率,本文提出一种结合顶推限制的广义低秩子空间特征学习算法(Top-push constrained Feature Learning based on generalized low-rank approximation of matrices,TFL)。该算法是从经过第一步预处理后的人脸图像中学习特征,以使所属同一身份的人脸图像之间的度量距离要小于不同身份的度量距离,该算法学习到的特征具有维度低、判别力强与识别准确率高等特点。我们通过在多个公开人脸数据集上进行实验,验证该算法的有效性与鲁棒性。(3)为降低因光照、遮挡等问题对人脸图像造成的影响,我们考虑提取人脸图像的局部特征并与TFL算法学习到的全局特征融合进行人脸识别的研究。局部特征提取算法被广泛应用于人脸检测、面部表情识别等领域;在提取人脸图像局部特征研究中,合理地划分区域与选取梯度方向是提高局部特征通用性的关键。因此,我们首次运用矩阵梯度直方图特征(Gradient of Matrices,GOMs)作为人脸图像的局部特征,矩阵梯度直方图特征不仅可以描述面部轮廓信息与梯度结构还提供了可靠的空间信息。随后,我们提出一种基于TFL算法学习到的特征与矩阵梯度直方图特征进行加权融合的算法(Generalized Low-rank Multi-view Feature Learning,GMVFL)用于人脸识别的研究,我们将融合后的人脸图像特征运用K近邻(K-Nearest Neighbors,KNN)分类器进行训练,并在多个公开人脸数据集中进行实验,通过十折交叉验证与多个特征学习算法进行比较,证明了基于多特征融合的人脸识别准确率要优于单一特征的识别准确率。