随着互联网和移动互联网的时代到来,智能移动设备在过去几年当中的迅速普及为人脸识别技术带来了新的机会,手机和电脑上像素愈来愈高的摄像头帮助人脸识别技术在传统的安全服务之外,开拓出众多新的应用场景。在这些新应用场景中,需要识别的人脸图像更贴近于日常生活场景,人脸中存在着更加复杂的姿态、表情、光照等变化,这些因素给人脸识别技术带来了巨大挑战。本文提出的自然场景中的人脸识别算法正是为了解决生活场景中人脸图像存在的复杂变化,围绕人脸识别常见的两种应用场景身份验证和身份识别提出一系列算法并设计实现系统。整个人脸识别系统流程包括：人脸检测,人脸关键点检测,利用检测出的关键点,对人脸图像进行几何校正,解决姿态和表情因素的影响,对人脸图像进行光学校正,解决光照因素的影响。将预处理过的人脸图像在关键点处提取SIFT特征,并通过Simile分类器得到高级特征,最后通过高层SVM分类器,对人脸图像进行验证和识别。笔者在本文中构造不少自然场景中的人脸图像数据集,这些数据应用于实验测试,训练Simile分类器,几何校正以及数据挖掘部分,同时笔者主要在人脸图像预处理展开研究,利用分段仿射变换的几何校正以及一系列光学校正算法,同时对基于学习的高级特征提取以及人脸验证和识别部分开展算法研究,通过理论分析与实验结果相结合,设计并实现针对身份验证和身份识别的应用系统。本文的人脸识别算法在实验中得到了较高的准确率,针对身份验证的实验,笔者在最主流的人脸识别数据集Labeled Faces in the Wild (LFW)的View2部分进行测试,在ROC曲线上真阳性率／假阳性率达到0.93/0.1,准确率达到91.78%±1.35%,在LFW的官方网站排名前列。针对身份识别的实验,笔者在自己收集组织的Orange Face Dataset (OFD)两个子人脸图像数据集上进行评测,准确率都能达到95%以上。这些实验结果表明本算法的鲁棒性和系统的可行性可扩展性。