自动人脸识别(AFR)技术可以赋予计算机根据面孔辨别身份的能力,它是模式识别领域的一个热门研究课题。目前,自动人脸识别技术已经在安全认证、人机交互等领域中大量应用。然而,在非理想条件(如光照、姿态、表情等变化)下,自动人脸识别系统的性能还有待提高。本文针对以上问题完成了如下工作：(1)为解决AdaBoost人脸检测分类器结构复杂、效率低的问题,提出基于LAB特征的连续AdaBoost改进算法,简化了分类器结构,提高了检测性能；为解决传统基于灰度的检测方法存在较高误检率的问题,提出YUV空间直方图验证模型,有效地降低了误检率。(2)利用主成分分析(PCA)与线性鉴别分析(LDA)设计并实现了两种基于子空间的人脸识别算法,该类方法能将数据投影到低维特征空间进行降维与特征提取。然而,实验结果表明基于子空间的人脸识别方法存在鲁棒性不足与“单样本”等问题。(3)为解决基于子空间的人脸识别法存在的问题,设计了基于Gabor变换与LBP的人脸识别方法。该方法通过对单幅图像提取LGBP特征获取更稳定的人脸表征。实验结果表明LGBP分块直方图法具有较好的鲁棒性且降低了“单样本”问题的影响。(4)分析了自动人脸识别系统的特征,设计并实现了基于改进的AdaBoost算法与LGBP分块直方图方法的自动人脸识别系统,该系统可以实时地检测人脸并能获得较高的人脸识别准确率为了评估自动人脸识别系统的性能,进行了大量检测与识别实验。实验结果表明,采用连续AdaBoost与LAB特征进行人脸检测,检测速度与检测率得到有效提高；利用YUV空间直方图模型,可以进一步降低误检测率；结合LBP与Gabor变换的分块直方图算法,在训练样本较少的情况下,可以获得较高的识别率。