视频中的人脸识别技术以及运动目标分割技术作为计算机视觉和模式识别中的重要研究领域,具有重要的理论研究价值和实际应用价值。利用视频中人脸的时间和空间信息是一种能够有效地克服视频中人脸分辨率低、尺度变化范围大、光照、姿态变化比较剧烈以及时常发生遮挡等困难的人脸识别算法。此外,视频中的运动目标分割结果是视频处理领域中更高层场景分析和运动目标语义分析的基础。本论文在相关领域研究工作的基础上,提出了新的视频人脸识别算法和运动目标分割算法,并对光照鲁棒性的人脸识别方法进行了研究。视频监控、信息安全以及公共安全等应用领域的发展带动了人脸识别技术的进步。基于视频的人脸识别已成为人脸识别领域最为活跃的研究方向之一。本文提出了一种基于视频帧序列人脸三维重建的视频人脸识别方法。在训练阶段,采用改进的主动形状模型(ASM)算法对人脸图像完成特征点标定和姿态估计,基于特征点和标准三维人脸模型完成人脸三维重建,通过获取的正面人脸图像完成模型纹理映射。在识别阶段,对于输入视频中的人脸图像进行姿态估计,并将数据库中的三维人脸模型调整至指定姿态并投影到二维平面；结合本文提出的二维经验模态分解(2D-EMD)和PCA主成分分析方法提取人脸特征,并基于欧式距离和多数投票进行人脸相似性度量。监控视频中不可避免的光照变化将对人脸识别的精确性造成一定的影响。在不同的光照环境下,同一个人脸的图像变化往往要比在相同条件下不同人脸的图像变化更大,因此,光照鲁棒性的人脸识别研究成为模式识别领域一个重要的研究课题。针对现有的光照鲁棒性人脸识别算法,本文对基于稀疏表示的人脸识别、基于相位一致性的人脸识别、基于LBP特征的人脸识别进行了研究。通过在ORL、AR以及Extended Yale B三个人脸数据库中提取这三种光照鲁棒性特征,并基于主成分分析(PCA)进行降维,最后使用距离匹配进行分类识别的实验结果表明：这三种人脸识别算法能够有效地克服光照因素的影响。视频中运动目标分割技术广泛的应用于视频监控、交通监控以及多媒体技术等领域,使得其成为当前计算机视觉中的重要研究领域。现有的运动目标分割算法主要利用图像像素信息或颜色纹理信息来完成分割任务,具有较高的时问成本和计算复杂性。在现有方法的基础上,本文提出了一种新的监控视频中的运动目标分割算法。该算法结合了光流运动信息估计算法,中值滤波去噪技术和基于图论的过分割方法,并利用本文提出的图节点融合框架完成分割。在分割过程中,采用光流法估计连续帧间运动目标的运动信息,并使用数字滤波器对光流信息进行去噪,基于去噪后的光流信息完成初始分割,获得运动目标粗略的位置和边界。然后,利用图论分割算法实现图像中运动目标的过分割。最后,基于图节点融合框架并参照视频序列中对象的位置和边界,将物体过分割区域进行合并,得到精确的分割结果。