经过半个多世纪的发展,计算机人脸识别技术取得了长足的进步。目前,可控环境下的人脸识别取得了满意的识别效果。然而,非可控环境下的各种干扰因素会严重地影响人脸识别系统的性能指标。这些干扰因素来自于不同方面,既有信号层面上的数据获取问题,也有特征层面上的特征提取问题,同时还与核心识别算法的泛化性相关。因此,非可控环境下的人脸识别研究成为近年来计算机图形学、计算机视觉、人工智能等研究领域中极具挑战性的研究课题。本文对人脸识别技术进行了系统性的研究。针对非可控环境下人脸的姿态、表情、遮挡、低质量等变化问题提出相应的见解和解决方案。本文主要工作和创新点包括：一、提出基于关键点与高斯加权的原始特征预处理方法。目前,纹理与形状是人脸的两种主要特征形式,且各具特色。如何将两种特征融合起来,是摆在研究者面前的一个难题。本文提出一种基于二维空间的融合人脸纹理和几何形状的新特征。新特征只需简单地提取人脸5个关键点,然后根据每个像素点与关键点之间的距离对纹理特征进行动态加权。新的特征以原始的纹理特征为基础,融合了人脸的关键点和几何形状特征,与原始纹理特征相比更具鲁棒性。这种特征加权的方法为探索原始特征预处理提供了一种参考途径。二、提出基于因子分析的特征提取方法。在深入研究特征子空间分析的基础上,从因子分析的角度出发,首次提出因子分析准则框架,指出对因子分析框架方法的研究可以从两个方面着手：①针对不同的应用对象,提出不同因子分离变换；②寻找最符合模式分类的权值分配方案。同时,证明经典的PCA、LDA和LPP是该框架的一个特例,并利用因子分析框架提出基于因子分析的LDA和LPP人脸识别方法。三、提出多示例学习人脸识别方法。将目前基于分块／分部／部件的人脸识别统一为基于多示例学习的人脸识别方法,指出此方法的两个关键问题：一是多示例定义,二是多示例的融合。针对多示例学习中的两个关键问题提出相应的解决方案,并与稀疏表示分类方法相结合取得了满意的效果。四、提出分辨率尺度不变的人脸识别方法。借助高低训练字典对,采用线性组合的特征提取方法,提出分辨率尺度不变特征（RSIF）的人脸识别方法。RSIF突破了常规的直接特征提取方法,为特征提取与模式识别提供了一种新的解决方案。五、稀疏表示分类方法的改进。稀疏表示分类（SRC）是目前比较热门的分类方法,对人脸噪声、遮挡、光照具有很好的鲁棒性。但是,SRC存在“小样本”和“稠密对应”问题,为了克服这两个问题,本文提出基于SRC和多示例的人脸识别方法。六、三维人脸建模方法的改进。形变模型与明暗恢复形状（SFS）是目前主流的两种三维人脸建模方法,但这两种方法各有优缺点。本文充分利用两种方法的优点,提出丛于局部形变模型与SFS的三维人脸重建方法。对于3D-2D人脸识别,由于姿态变化会导致生成的二维虚拟人脸的纹理误差,本文提出纹理补偿的解决方案。七、超分辨重建方法的改进。针对人脸对象的特殊性,充分利用人脸多尺度一致性和非局部相似性,对基于字典学习的人脸超分辨方法进行改进,提出非局部相似与多尺度线性组合的人脸超分辨方法。与传统的基于字典学习的方法不同,本文利用人脸的非局部相似性来解决人脸超分辨的噪声和计算复杂问题。实验结果表明,该方法不但具有很好的视觉效果还具有不错的识别效果。