人脸识别作为一个跨学科的新兴研究领域，解决的问题可简单描述为：基于预先存储的模板数据库，对给定某场景的静态图像或动态视频序列，自动识别或验证其中所含人脸目标的身份。传统的工作主要集中在识别静态图像中光照条件良好的正面人脸，并取得了非常理想的效果。而基于序列图像的动态人脸识别是近年来才逐渐受到学术界关注的方向，该领域中还存在很多理论与技术问题需要解决。 本文针对序列图像中人脸识别问题本身的特点进行了深入的研究，涉及到了许多图像处理、模式识别、机器学习的基本问题，包括人脸检测和分割、目标定位、人脸纹理特征抽取、子空间线性判别分析、多源数据融合、非线性数据约简(流形学习)、贝叶斯推理等等。在本文中，主要的工作和贡献有： ①提出了基于静态关键帧融合的序列图像人脸识别框架，并在其中的图像质量评价，特征提取，鉴别分析，分类器融合等方面提出了具有针对性的算法。首先根据子空间距离度量选择序列图像中的关键帧，然后提取多通道Gabor特征，采用基于零空间的线性判别分析进一步降维，最后基于两级融合框架输出最终识别结果。 ②提出了一种基于贝叶斯推理模型的序列图像人脸识别框架，并在小样本库上取得了较为满意的识别结果。根据人脸模式在视频序列中连续变化的特点，采用流形学习算法LLE降维，并在低维空间上聚类形成姿态子流形。通过训练样本序列学习各子流形之间的转移规律，在贝叶斯推理模型下求得最大后验意义下的识别结果。总的说来，本文针对当前人脸识别领域主流方向之一的动态图像序列人脸识别作了有益的探索。