人脸识别是计算机视觉和模式识别领域研究的热点。对于理想姿态和光照下的人脸识别,现有方法已经达到了很高的识别率,但当姿态或者光照发生改变时,不论采用何种识别方法识别率都会下降,同时主观视觉效果也会变差。本文针对单幅人脸图像的姿态和光照问题进行研究,旨在提高人脸识别率和改善人脸图像的视觉效果,主要工作如下:首先,对BJUT-3D三维人脸数据进行规范化处理。申请得到的三维人脸数据在采样点数目、存储形式上杂乱无章,实现数据归一化是展开进一步研究的前提。其中包括人脸姿态矫正、区域选择及对不同分片的重采样处理,本文归一化后的每个人脸包含23676个顶点,采用统一的向量进行表示。其次,针对旋转人脸图像的姿态问题,提出一种基于姿态估计的正面人脸图像合成方法。该方法基于统计建模的思想,对人脸形状进行重构并对缺失的纹理信息进行补偿。首先运用平均三维模型估计测试图像的姿态参数,并结合压缩感知理论构建更加精确的形变模型;然后应用形变模型理论分别重构测试人脸的三维形状模型和纹理模型;最后根据测试图像与重构模型生成正面人脸图像。实验结果表明,该方法能够从一幅旋转人脸图像合成出精确、自然的正脸图像。再次,提出一种基于尺度变换的人脸图像光照补偿算法,采用尺度变换的方法将图像分解为近似低频部分和高频部分。其中人脸图像的光照变化主要集中在低频部分,人脸图像纹理结构等细节信息主要集中在高频部分。对近似低频部分根据人脸的对称性,采用光照良好的半幅人脸恢复整体人脸商图像,有效的解决了由于自遮挡造成的图像阴影问题且减少了计算量,同时对高频部分进行降噪增强。对处理后的近似低频信息和降噪增强后的高频信息进行小波逆变换重构人脸图像。实验结果表明,该方法有效的达到对人脸光照补偿的效果。最后,对本文提出的基于姿态估计的正面人脸图像合成及基于尺度变换的光照处理算法性能进行评估,实验表明,本文方法有效的提高了人脸的识别率。