近年来由于在身份鉴别、视频监控和人机交互等领域的应用前景,人脸识别获得了越来越多的关注。现有的人脸识别方法主要是侧重于解决非限定条件下一对一人脸验证问题和限定或半限定条件的一对多人脸识别问题。而非限定条件下一对多人脸识别问题的相关研究非常少。然而,随着移动互联网技术的发展,对于基于一对多人脸识别的应用需求将不断增强,而不仅仅局限在视频监控等传统应用领域中。因此,本文主要针对的是非限定条件下一对多人脸识别的研究,研究工作主要从特征提取和分类器设计两方面展开。在人脸图像提取特征阶段,现有的大部分人脸识别方法中,都是先将人脸图像进行对齐后再提取特征。但是对于非限定条件下的人脸图像来说,由于人脸图像的部分缺失,导致难以事先对人脸图像进行对齐,因此本文提出了不需要进行人脸对齐的描述子RootHOGc之后,提出了基于多关键点多描述子(MKMD)方法和基于多尺度多关键点多描述子(MSMKMD)的人脸表征方法。实验表明通过MKMD方法在保留图像细节的情况下也消除了混叠效应,MSMKMD方法通过引入不同尺度的局部信息扩充了每个人脸描述子子集合,通过构建了一个过完备的描述子字典来提高最终的识别率。对于分类方面,本文提出了将两个强分类器进行组合建立一个用于识别的两层瀑布流模型,其中SRC作为粗分类器而SVMs作为精分类器。除此之外,在两个分类阶段本文用了不同类型的特征描述子,在第二个阶段融合了基于纹理的三个特征：LBP、TPLBP和FPLBP。为了验证本文提出方法的有效性,本文在两个国际公有数据库LFW和PubFig上做了实验。通过与经典方法的比较并将MKD-SRC方法作为实验参照基准,本文的方法具有显著的优越性,在两个数据库上的识别率都提升了将近15个百分点。图22幅,表5个,参考文献81篇。