目前，随着生物特征在个人身份验证、安全监控等方面的应用，我们对人脸识别的要求十分的迫切。计算机人脸识别技术是利用计算机对人脸图像进行分析，进而从中提取出有效的识别信息，用来“辨认”身份的一门技术。 人脸识别系统包括三个重要环节：预处理、特征提取和分类器设计。作者对前两个环节进行了深入的讨论。 在预处理环节中，我们提出了三种人脸图像预处理方法：基于平均模板的图像纠正，基于色彩分量平均模板的图像纠正，基于人脸对称性的图像纠正。这三种方法的基本原理是一致的：首先构造人脸图像的平均模板，然后利用人脸图像与平均模板的差异来构造纠正系数对图像进行纠正。三种预处理方法的区别在于它们的平均模板不同，计算平均模板的方法不同：基于平均模板的图像纠正是以同一模式类别中训练样本的平均值作为平均模板；基于色彩分量平均模板的图像纠正是以彩色图像的RGB分量的平均值作为平均模板；基于人脸对称性的图像纠正是以人的左右半边脸中对称像素的平均值作为平均模板。作者提出的预处理算法能使过亮区域相对变暗，而过暗区域相对变亮，最终使整幅图像灰度趋于均匀，削减了由光照引入到图像中的亮斑和阴影，从而减少了人脸的类内差异，使每一类样本都向各自的样本中心靠拢，使不同样本类的可分性增强，有利于提高识别算法对光照的鲁棒性。 在特征提取环节中，作者提出利用人脸图像的位平面信息来提取轮廓形状特征和纹理细节特征。对于训练样本，将同一模式类中的多幅图像的形状特征取平均作为此模式类的类标记，并将此类标记分别与此模式类内每幅图像的纹理特征相融合以构造新的特征融合训练样本图像；对测试图像，由于还不知道每幅图像所属的类，无法为图像构造类标记，因此，将每幅图像的形状特征和纹理特征相融合构造新的特征融合待识别人脸图像。这样，在训练样本中，由于同一类中的人脸图像具备共有的类标记，类内各样本都向各自的类中心靠拢，它们的差异就在于细节特征上，而由于各细节特征根据其对识别贡献的大小进行了加权，引起类内差异过大的细节特征的权重小，因此整体来说，经过特征融合后的样本的类