人脸图像分析和识别是一个具备很高理论和应用价值的研究课题。如何模拟人类的视觉特征,通过计算机技术对人脸图像进行处理分析来获得想要的信息,吸引了大批学者从图像处理、机器视觉、模式识别和人工智能等多个角度对其进行研究。本文针对人脸图像分析和识别技术中的几个典型问题——人脸检测与定位、入脸识别和面部表情识别分类等,开展研究工作,主要内容如下：第一章,阐述本课题的相关研究背景、目的和意义,概述了人脸图像分析和识别研究的基本组成以及国内外研究机构的应用成果情况,分析了人脸识别和面部表情识别的理论研究框架,着重介绍了人脸检测、人脸识别和面部表情识别理论研究的现状和主要方法,指出了相关研究存在的主要问题,并给出论文的主要研究内容。第二章,针对彩色图像中的人脸检测定位问题,提出了结合YCbCr空间肤色高斯模型与AdaBoost分类器的由粗到细的人脸检测策略。首先探讨了几种典型颜色空间的特点；在YCbCr空间,运用统计理论对采集的肤色样本进行分析,建立了肤色色度分量Cb-Cr二维分布的单高斯模型,然后依据模型计算肤色似然值从背景图像中分割出入脸候选区域；研究了基于Haar-like矩形局部特征迭代训练学习的AdaBoost方法,并运用其在得到的候选区域内进行人脸的精确定位,在取得了更好的效果的同时大大降低了计算量；实现了结合颜色信息和局部特征的快速高精度的人脸检测。第三章,研究了基于SIFT尺度不变特征的人脸识别,提出了基于SIFT特征和空间金字塔表达(Spatial Pyramid Representation, SPR)的“局部—整体”人脸表征方法。首先研究了提取人脸图像SIFT特征的方法；针对SIFT特征因空间坐标不确定性和基数不确定性而无法形成全局表征的问题,提出了将现有的空间金字塔匹配扩展成空间金字塔表达,即将SIFT特征分别映射至空间域和特征域,再构建统计直方图生成人脸图像“局部—整体”的全面表征；最后将生成的SPR表征向量输入到最近邻分类器和SVM分类器实现人脸的分类辨别,在ORL和Yale两个通用的人脸数据库上进行了实验验证。第四章,针对光照条件变化这一人脸识别研究中的普遍难题,从提取光照不变特征入手,提出了基于“梯度脸”和局部特征编码的光照鲁棒性人脸识别方法。首先将图像转化到梯度域,论述了梯度分量光照不变性的理论基础；然后根据梯度幅值分量和相位分量各自的特点,提出了分别运用局部二值模式和局部异或模式进行局部特征编码,得到LGBP和LGXP,在增强光照不变性的同时提高了特征的区分能力；再运用直方图统计,提出了一种基于权重系数的直方图链接方法,在特征级进一步融合得到具有光照不变性的识别特征LGXBP;最后采用了最近邻分类器进行人脸识别分类,在Yale B和CMU-PIE两个通用的光照变化人脸数据库上进行对比实验,验证了基于梯度脸和局部特征编码的光照鲁棒性人脸识别算法的有效性。第五章,对基于局部特征的面部表情识别方法进行研究,提出了一种基于“空域—频域”局部特征融合和关键表情子区域自动选择的方法,获得了表情图像关键子区域的LSPBP局部特征。分析了局部二值模式和局部相位量化的原理,论证了两个高效局部特征的相关性和互补性,提出了二者的特征级融合策略；引入了AdaBoost训练学习并自动选择出不同表情各自最具区分能力的关键人脸子区域；最后利用训练获得的强分类器及SVM分类器进行六种基本表情+中性表情的识别,在JAFFE人脸表情数据库上验证了算法的有效性。第六章,建立了基于单幅静态图像的人脸图像分析和识别系统,能够自动完成自然场景图像中人脸的检测、识别和基本面部表情的判别,验证了上述算法的有效性,为今后的研究工作创造了良好的实验平台。第七章对全文内容进行总结,阐述了本文的主要工作和创新点,并对下一步研究的方向作出展望。