凭借着其具有的稳定性,友好性,隐蔽性等优势,人脸识别技术在生物识别领域中正在受到越来越多的关注。在比较理想和环境较为简单的情况下,现有的很多人脸识别算法都能够有一个较高的识别率,可是环境一旦变得复杂,光照、姿态、遮挡等问题的出现,现有算法的识别率都将大幅度下降,人脸识别准确性得不到保证,这些算法在实际应用中的推广也变得艰难。本文主要针对去光照条件下的实时人脸识别算法进行研究,通过模拟初始视皮层神经元感受野,重点研究了基于带有稀疏约束的非负矩阵分解模型的光照处理算法,并围绕该主题开展了相应的研究工作。本文的主要工作包括以下几点：1、对人脸识别和光照处理进行研究与分析,研究了向量稀疏化方法,对现有的欧几里得距离最接近向量稀疏化算法进行改进,提出了曼哈顿距离最接近的向量稀疏化算法,实验表明,本文提出的向量稀疏化算法稀疏速度快,稀疏效果良好。2、对非负矩阵分解算法进行了研究,将稀疏约束和非负矩阵分解算法相结合,对基于稀疏约束的非负矩阵分解算法的3种分解算法进行对比,指出3种分解算法的优缺点,实验表明,只在基矩阵W上或只在系数矩阵H上稀疏约束时,重构误差较小。3、研究了基于NMF的光照标准化算法,对光照标准化过程中的各项参数的影响进行了实验讨论,给出各项参数的参考取值。实验室环境下搭建人脸库,对人脸库中的图像进行光照标准化处理,对比去光照条件下和不去光照条件下的人脸识别率。实验表明,提出的方法在光照条件下具有较好的识别效果。