人脸检测与识别技术被应用于多个领域，与其他生物识别技术相比，对人脸进行生物检测具有非接触的优势。对于机器人来说，特别是具有视觉系统的机器人，需要对面前的“主人”进行身份验证，目前用的比较多的就是针对人脸的验证方式。但是非接触的特点同样也会遇到各种环境干扰，除了周围环境之外，还有被采集者面部姿态、表情变化等都会影响到最终的识别效果。　　本文主要针对机器人平台中的人脸检测与识别算法进行研究，共包括三块内容，分别是光照补偿算法研究、检测系统设计和识别算法研究。　　在光照补偿方面，本文对Retinex算法进行改进，只对图像亮度分量(Y)进行多尺度Retinex增强，色彩恢复方面则采用一种新的多通道等比例变换的方式。实验证明，本文算法与直方图均衡化(HE)、数学变换(Gamma变换、Log变换)和传统的Retinex算法相比，在图像增强方面具有明显优势，在进行光照补偿的同时最大限度地保持图像色彩信息。　　在人脸检测方面，本文设计完成具有高检测率、低误检率的两级检测结构，系统选择使用Adaboost级联分类器做一级检测结构，采用肤色分割进行区域校验。实验证明，本文检测算法与单一的检测结构相比，可以将大部分误检区域剔除，在误检率上具有明显优势。　　在人脸识别方面，本文首先对局部三值微分模式(LTDP2)算法进行改进，提出具有自适应阈值的LATDP2算法，大大提高了算法的普适性，然后对Gabor滤波获得的人脸幅值特征进行LATDP2运算，获得更高辨识度的人脸表达。实验证明，本文提出的LATDP2算法相比于传统的LBP算法和LDP2算法在光照和表情变化下特征直方图的稳定性更好，在识别率上本文方法也明显提高。