人脸识别技术涉及到图像处理、模式识别、计算机技术、人工智能等多门学科，是一个极具挑战性的课题。随着科学技术的不断发展，人脸识别技术获得了广泛的应用，成为研究的热点。局部二值模式（LBP）是一种灰度范围内的纹理描述方式，最初是为了辅助性地度量局部图像对比度提出。近年来，基于局部二值模式的人脸识别方法取得了显著的效果，但在光照和噪声等条件的影响下，分类性能下降较快。本文首先对局部二值模式进行深入的研究与分析，描述了经典的LBP方法及一些关于LBP的改进算法，详细分析了LBP的一些优缺点，在此基础上提出了一种局部特征提取方法——局部邻域模式（Local Neighborhood Patterns，LNP）。首先，将图像合理的分成一些局部区域，接着把每一像素及其一定邻域范围内的像素作为一个向量，将每个局部区域中心向量与其它像素点向量计算距离，然后本文在每个局部区域采取环形提取特征的办法，就是把经过编码的局部图像中心作为不同半径圆周的中心，从中心向最外部的圆周按一定顺序依次提取特征，将各局部图像提取的特征依次连起来作为整幅图像的特征向量，最后采用最近邻分类器。在人脸数据库上的实验结果显示，LNP方法对光照，姿态，表情变化具有较好的鲁棒性。本文还将数据融合思想融入局部邻域模式中，采用D-S证据理论对局部邻域模式进行决策级融合以对其进行进一步改进。首先，采用高斯滤波光照预处理方法，以初步减少极端成像条件对人脸图像的影响。其次将图像与索贝尔算子进行卷积，得到水平边缘图像和垂直边缘图像。再用局部邻域模式提取特征向量，然后计算测试样本与各类之间的距离，通过构造函数实现欧氏距离到客观证据的转换。最后再用D-S证据理论对客观证据进行融合做出最优决策。经在Extended Yale B和FERET数据库中实验表明，该方法不仅可以获得很高的识别率。而且能有效提高对光照，姿态，表情变化的鲁棒性。