人脸识别技术是一种被广泛接受的生物特征识别技术，由于具备成本低、实现简单以及交互界面友好等一系列优点，在金融、安全、以及门禁等方面得到了广泛的应用。但是由于人脸图像容易受到自身及外界因素的影响，因而人脸识别中还有很多关键技术仍需进一步改进和完善。人脸识别包括特征提取和特征匹配两个阶段，其中特征提取阶段毫无疑问是整个人脸识别过程中的关键阶段。特征提取方法大体上可以分为基于局部的特征提取方法和基于全局的特征提取方法。局部特征对光照、表情、部分遮挡等的变化具有较好的鲁棒性，因而在人脸识别中受到了广泛的关注。Gabor特征作为一种典型的局部特征，因对外界环境具有较好的鲁棒性，在人脸识别中得到了广泛的应用，然而当前的基于Gabor滤波的方法却普遍存在计算复杂度过大的问题。另外，局部Monogenic信息中不仅包含较多的识别信息，而且具有计算复杂度低的优点，在人脸识别中展现出了较好的应用前景。本文以提取最有效的人脸识别特征为目的，研究了基于Gabor滤波和Monogenic滤波的特征提取方法，重点研究了如何从Gabor信息中提取较低维数的特征以及如何挖掘Monogenic特征在人脸识别中的潜力以充分利用Monogenic滤波后的多模式单演信息。同时，本文研究了运用线性判别分析(Linear DiscriminantAnalysis, LDA)对不同特征进行融合的方法以及复杂光照背景下的人脸识别方法。论文主要进行了以下几个方面的研究工作：1．为了降低提取的Gabor特征的维数以降低算法的复杂度，提出了一种针对Gabor幅值的Gabor方向模式(Gabor Direction Patterns,GDP）算子。该算子对同一个中心频率下八个不同方向上的幅值响应进行编码，由于这种编码方式是对同一像素点不同滤波器上的响应进行特征提取，因而提取的特征不仅具有更强的识别能力，而且能够有效地对识别信息进行压缩，极大地降低了算法的复杂度。2．在研究Gabor响应实部信息和虚部信息的基础上，进一步对幅值GDP模式进行扩展，将改进的GDP算子应用于图像Gabor滤波后的的实部和虚部，用于提取Gabor实部特征和虚部特征。为了利用两种特征之间的互补性，采用线性判别分析在特征层级别上对提取的两种特征进行融合，该方法不仅能够有效地降低算法复杂度，而且能够显著地提高算法的识别性能。3．为了充分利用单演滤波后的多模式信息，在研究局部量化模式(Local QuantiziedPattern,LQP)的基础上，提出了一种新的单演局部量化模式(Monogenic Local QuantizedPattern,M-LQP)在采样层级别上对单演幅值、单演方向和单演相位信息进行融合。由于该模式表示组合了同一像素点的三种不同单演响应，具有较强的表示能力，同时由于是在采样级别上进行融合，因而该方法有效地降低了最终获得的特征维数。4．为了弥补已有的单演局部二值模式(Monogenic Binary Patterns, MBP)特征对单演方向特征应用不够充分的缺陷，提出了一种新的增强型单演方向差分模式(EnhancedPatterns of Monogenic Orientation Differences,EPMOD)对单演方向进行特征提取。该模式充分考虑了像素点的单演方向与其邻域像素点的单演方向的大小关系，并运用分裂三元模式提高了对方向信息的量化级别。文中并进一步运用基于分块的线性判别分析(BlockBased Linear Discriminant Analysis,BLDA)对MBP和EPMOD特征进行融合，有效地提高了算法的识别率。5．为了提高算法在复杂光照背景下的识别性能，在单演滤波的基础上提出了单演定向幅值模式(Patterns of Monogenic Oriented Magnitudes,PMOM)算子。该算子首先对单演方向进行量化，并通过对局部区域内同一方向区间下的单演幅度累加值提取局部纹理特征以获取对光照变化鲁棒的局部特征。实验表明该算法能够有效克服非均匀光照变化对人脸识别的影响。综上所述，本文从提取人脸局部特征的角度展开了相关研究，分别围绕图像的Gabor信息和单演信息提出了多种局部特征提取方法。通过在ORL、CAS-PEAL以及YALE-B等人脸库上的大量实验结果表明：本文所提出的基于Gabor滤波和Monogenic滤波的几种特征提取方法在有效降低算法复杂度的前提下获得了与传统算法相当甚至更加优秀的识别效果。