人脸识别作为生物特征识别技术中的典范,在人们生活中的许多领域都有着良好的应用前景。人脸识别在数十年的研究里,已经取得了很大的进步。目前在简单且固定的条件下人脸识别可以达到较高的准确率,但是在复杂条件下人脸识别仍然是一个非常具有挑战性的课题。人脸检测与人脸特征提取容易受到背景、光照、姿态、遮挡、表情等因素的影响,从而导致识别率的稳定性不高且算法效率较低,因此研究出鲁棒性高且效率较高的人脸检测与特征提取算法具有十分重要的意义,主要工作如下:(1)介绍本文的课题背景和研究意义,调研并分析国内外关于人脸识别的研究现状,阐述人脸识别过程中三个主要步骤以及在每个步骤中所用到的机器学习模型和深度学习模型等相关技术,对目前的主流算法存在的问题进行分析。(2)卷积神经网络(Convolutional Neural Network,CNN)对于复杂背景下的人脸检测具有较好的效果,但是在检测过程中滑动窗口法带来的窗口数目较多,使得算法的计算复杂度较高,另外在卷积神经网络训练的过程中,由于随机初始化和激活函数的缺陷,所以造成了卷积神经网络收敛过程较慢或者不收敛,因此提出一种基于二值化梯度幅值特征(Binarized Normed Gradients,BING)与卷积神经网络的人脸检测算法,并提出新的CNN的激活函数以及推导出相应的初始化方法。仿真结果表明,基于BING与卷积神经网络的人脸检测算法在训练速度与检测速度方面均有显著提高并且保证了较高的人脸检测的准确率和对于复杂背景的鲁棒性。(3)基于Garbor小波幅值与相位的人脸特征提取方法对于光照变化具有较好的鲁棒性,但是由于基于Garbor小波幅值与相位的人脸特征提取方法的级联特征融合方式使得特征向量维度较高,所以提出了一种改进的Gabor小波变换特征提取算法,增强每个像素的局部邻域内的特征联系,并将幅值特征和相位特征进行加权融合。最终通过仿真实验验证了改进算法能够提取较低维度的特征向量,提高特征向量的表征能力,并保证了特征向量对于光照变化具有较高的鲁棒性。(4)针对现有的基于搜索策略的特征选择算法存在搜索策略复杂度较大的问题,提出了一种基于蒙特卡洛树搜索(Monte Carlo Tree Search,MCTS)的特征选择算法,将特征选择问题转化为顺序决策问题,使用蒙特卡洛树搜索策略搜索特征子集,选择计算复杂度小的Relief-F算法作为搜索过程的评价函数。通过仿真实验验证了该算法有较高的运行效率,并且能提取出更好的低维度可分的特征子集。