在诸多的生物特征识别技术中，人脸识别技术更加友好、简单、准确和快速。人脸识别技术涉及多方面领域，具有重大的研究价值。人脸识别技术的运用也非常广泛，比如视频监控、公司门禁等。因此，非常有必要投入到人脸识别技术的研究中。人脸识别技术分为人脸检测和人脸识别两个阶段，本文对两个阶段的算法进行了深入的研究，并且进行了改进，取得了良好的效果。　　在人脸检测阶段，本人研究了基于Adaboost算法的人脸检测。在进行人脸检测前，要对人脸图像进行预处理。使用直方图均衡化处理图像，提高图像质量，再对处理后的图像滤波。Adaboost算法提取的特征为Haar特征，而Haar特征能够很好地描述人脸特征。在Adaboost算法的训练过程中，加大了对被错误判断的样本的训练，从而提高了检测能力。最后用于检测的级联分类器是分类器按照分类能力由小到大级联起来的，易被分类为非人脸的区域很快会被排除掉，只剩下少数的人脸区域，大大提高了检测速度。实验结果表明，一般情况下，基于Adaboost算法的人脸检测的检测效果还是比较理想的，但是在有些情况下，也会出现误检和漏检的问题。于是改进了基于Adaboost算法的人脸检测，在进行人脸检测前，将肤色区域从背景中分割出来。由于肤色在YCbCr颜色空间上具有很好的聚类性，于是将图像变换到此空间上。分割出来的肤色区域经过形态学处理去掉黑框，并且将断开的连通区域连接起来，最后对肤色区域进行人脸检测。实验结果表明，改进后的算法提高了检测率和降低了误检率。　　在人脸识别阶段，本文对局部二值模式(LBP)进行了改进。LBP能够很好地描述纹理特征，对光照变化和图像旋转具有良好的鲁棒性，但是计算量大，减缓了识别的速度。PCA能够对特征进行降维，但是没有考虑到类别信息，容易受到光照的影响;LDA则考虑了类别信息，但是不一定能求出映射空间。而Fisherfaces则先使用PCA对特征进行降维，然后映射到LDA空间，实现人脸识别。不仅减小了计算量，而且大大减小了光照的影响。正是基于这种思想，提取LBP特征后，使用PCA法对特征进行降维，实现人脸识别。实验结果表明，改进后的LBP算法保留了固有的优点，同时减少了计算量。