人脸图像的性别区分是人口统计学的一个基本分类要求,同时在行为监测、身份验证、人机交互、视频检索、市场营销策略等领域中也有着广阔的潜在应用前景。在过去的几十年中,正面人脸图像的性别识别已经基本得到了令人满意的结果,但在姿态有变化的情况下人脸图像的性别识别依然是一个值得研究的难题,而姿态问题本身却是人脸识别的实际应用中不可避免的一个问题,无论是实时监控,还是数据库检索,都会有着大量姿态有变化的人脸图像的情况存在。为了能够在姿态有变化的情况下得到较好的人脸图像的性别识别结果,本文从改进人脸关键点定位着手,从人脸图像特征及分类方法对姿态的鲁棒性展开研究,取得了以下研究成果：1.构造了两种更加有效的人脸特征提取方法本文通过把Gabor滤波和LBP算子结合,得到了更加适用于性别识别的LGBP特征,同时基于深度学习的思想,提出了基于稀疏编码特征提取方法,并通过一组实验在CAS-PEAL人脸数据库上分别得到了80%和85%的正确率,考虑到在针对静态人脸图像这种特征比较明显的图像时,使用两种方法得到的正确率差距并不大,但是LGBP算子的速度更快,因而本文就采用了耗时较短的LGBP作为特征提取的方法。2.提出了基于多模型改进的ASM方法对人脸图像姿态进行矫正在对人脸关键点的研究中,ASM算法由于简洁有效而获得了广泛的使用,但是原始的ASM算法并不能处理姿态有变化的情况下人脸图像关键点的检测问题,因而本文提出了基于多模版自适应匹配的ASM方法,并利用基于三角剖分的纹理映射的方法,解决了姿态有变化的人脸图像不利于特征提取这个问题,并在CMU-PIE数据库上进行了实验,通过实验表明对存在15。以内姿态变化的人脸图像进行矫正能够得到较好的效果。3.提出了一种基于稀疏表达的姿态鲁棒人脸图像性别识别方法在一个大型库中进行分类时,使用大型库本身来表达自己的样本的最合适描述一定是稀疏的,基于这种想法,本文提出了使用稀疏表达构建分类器的方法。在对数据库图像进行特征提取并降维后,构建了超完备字典,而此时对测试样本的性别分类只需要使用超完备字典进行稀疏表达,残差最小的一类就是测试样本的性别,由于稀疏表达求解过程就是最优化求解的过程,因而使用稀疏表达构建分类器天然的对姿态就会有鲁棒性。接着,本文在CAS-PEAL数据库上通过多组实验对该方法进行验证,并得到了95.5%识别正确率。最后,本文针把提出的姿态鲁棒的性别识别方法应用卡口人脸比对系统中,在实证的环境下验证了该方法的可行性。