所谓人脸识别技术是指，通过计算机技术和特定的算法对人的脸部图像进行检测、提取特征、进而处理变换已辨识人脸所属身份的技术。跟其他生物信息诸如虹膜、指纹等相比，人脸图像具有明显的优势，包括非接触性、非强制性、简单易实施等。在图像处理和模式识别等领域，对于人脸识别技术的研究始终是前沿热点，尤其是随着计算机硬件的升级，网络通信技术的提高，人脸识别技术得到了长足的发展。目前，人脸识别技术已经广泛的应用在了安全领域，包括身份识别、智能监控等，媒体娱乐领域和人机交互等领域，包括各种智能设备以及影视、游戏等。传统的人脸识别技术主要指基于单幅图像的人脸识别（Face Recognition FromSingle-shot Image），通常以单幅人脸图像作为分析和分类的单元，或者对多幅图像进行学习得到分类模型以对单幅图像进行分类，进而识别身份。这类人脸识别技术已经被广泛研究，具有了较成熟的理论和技术，但是基于单幅图像的人脸识别技术在处理包括光照、姿态、表情、年龄、性别等复杂环境时，往往不能达到理想的效果。国内外研究者针对复杂条件下人脸识别提出了大量的算法，也取得了一定的成果，但是大多数都是在实验室特定约束条件下得以实现，面对实际应用环境，往往难以达到要求。尤其是在视频监控中应用的人脸识别技术，由于实际监控环境中，采集的图像质量不理想，基于单幅图像的人脸识别技术识别效率低下。近年来，基于图像集的人脸识别技术（Face Recognition From Image Sets）受到越来越多的关注，该技术以多幅图像组成的人脸图像集作为分析分类的单元，同一人的图像集中往往包含在不同光照、姿态、表情等条件下的大量图像，因为图像集中包含有远远多于单幅图像的信息，因此可以使识别效果更加稳定。图像集人脸识别技术以多幅图像构成的图像集为一个整体，对图像集进行建模，通过计算定义的图像集与图像集之间的相似度或者距离，进行分类，学习和分类的过程都是以图像集为单位，这一点是图像集人脸识别技术有别于传统单幅图像人脸识别技术最大的特点。在大量阅读国内外前沿人脸识别文献的基础上，本文对当前图像集人脸识别技术做了简要综述，创造性地根据图像集的建模方式对图像集人脸识别技术进行了分类，同时分析了不同图像集人脸识别技术的优势以及局限，提出了基于图像集的人脸识别技术需要解决的两个关键问题：如何对图像集进行建模以及如何测量集间相似度/距离。同时本文还提出了图像集人脸识别系统的主要框架。本文对基于仿射包模型的图像集人脸识别AHISD（Affine Hull Based Image SetDistance）进行了深入研究，理论分析了其对异常值敏感性的原因——L2范数放大异常值的影响，通过引入了基于旋转不变L1范数（R1范数）-主成分分析算法（R1-PCA算法）对仿射子空间进行鲁棒估计，提出了R1-AHISD算法，该算法对异常值具有不敏感性。本文采用Viola-Jones人脸检测算法对标准视频库Honda/UCSD提取人脸图像建立图像集数据库。本文实现了经典的Viola-Jones人脸检测算法，通过合理的参数优化有效的在标准视频库上提取出人脸图像，建立自己的图像集数据库，用于实验验证算法的有效性。本文提出的R1-AHISD算法对图像集用仿射包模型建模，利用R1-PCA算法对仿射子空间进行估计，通过计算定义的包与包距离，利用最邻近分类器得到分类结果。本文分别在无噪声条件和有噪声条件下进行了实验，分别测试了主流图像集人脸识别算法和本文提出的R1-AHISD算法，实验结果表明，不论在识别率还是稳定性上本文方法较原有方法均有提高，尤其是在噪声实验中R1-AHISD算法表现了更强的鲁棒性。