自动人脸识别因其在理论与应用中的潜在价值一直激励着科研人员的不懈努力。作为一个典型的模式识别系统,自动人脸识别包括如下几个方面:人脸图像的预处理、人脸特征的提取、分类。其中,人脸特征提取在很大程度上关系到学习算法的选择与学习效率,关系到分类识别算法的选取与识别正确率,从一定意义上讲,它关系到自动人脸识别系统的有效性。局部二元模式(Local Binary Patterns - LBP)是一种灰度范围内的纹理描述方式,它从一种纹理局部近邻定义中衍生出来,最初是为了辅助性地度量局部图像对比度提出。近年来,研究者们成功地将之作为自动人脸识别的人脸特征描述方式,取得了显著的效果。然而,LBP方法的局限之处在于它没有考虑待分类样本的分布特征以及分类目标的差异性。本文对LBP特征空间进行了分析与研究,并且针对LBP特征存在的局限性提出了相应的解决方法。本文主要的创新与研究工作总结如下:1.提出了一种新的特征表示:分数阶LBP(Fractional Order Local Binary Patterns- FOLBP)。通过预处理手段,根据分类目标的不同,对原始输入图像的LBP特征表示进行了变换,从而使变换后的特征表示更有利于分类;2.通过对LBP定义的改进,本文给出了一个包含原LBP空间的新特征表示空间:ε-LBP,从而对原有LBP特征空间进行了扩展,在新的特征空间中,通过调整新引入的参数ε,我们可以根据不同的分类目标和不同的样本分布找到适合于分类的子空间;对所提出的两种LBP改进与扩展方法分别在国际标准数据集FERET、ORL、AR和Yale上进行了实验,结果证明了它们的有效性与可行性。基于以上研究工作,我们使用VC++6.0作为开发工具构建了一个自动人脸识别系统的原型。该原型系统主要包括实时人脸检测、人脸识别以及信息存储等部分,为今后算法理论研究向现实应用转化提供了可行性分析依据及相应的技术储备。