人脸识别技术是基于生物特征的身份认证技术中最主要的方法之一。人脸识别技术不仅是计算机视觉领域中的研究热点，并且作为自动身份验证方法之一具有极其重要的应用价值。但是由于光照、表情、遮挡物以及年龄等因素的影响，导致非约束的条件下的人脸识别系统的识别率仍不尽如人意。因此，如何增强人脸识别系统对光照、表情、姿态等变化的鲁棒性从而提高识别率，是现在人脸识别领域的一个研究重点。本文围绕人脸识别系统中的人脸特征提取技术展开了研究和实验分析。首先在深入研究了二维Gabor小波与LBP算子的基础上，提出了基于Gabor小波的多信息融合人脸识别算法(GM-LBP)。不同于传统的LBP算子在同一平面内提取邻域纹理信息的方法，该算法利用LBP算子将Gabor小波多尺度、多方向以及空间平面内的信息进行融合，这样一来不仅得到更充分的人脸特征表示，而且还同时具有了Gabor小波以及LBP算子这两种最具代表性的局部人脸特征表示的优势，很好的提高了人脸识别系统的鲁棒性。然后针对不同图像所具有的唯一性与特殊性，提出了基于统计模式的LBP均匀算子，有效的将原始数据维数从256维降到8维，从而在损失最少图像特性的情况下起到信息降维的作用。为了进一步的提高人脸识别系统的效率，本文采用了基于PCA+FLDA分类技术。最后本文将提出的算法分别在ORL人脸数据库和YALE人脸库上进行了实验。实验结果表明在光照、表情以及拍摄角度变化的情况下，该算法具有较好的鲁棒性，并且相对于其他的人脸特征提取方法能达到更好地识别效果。