在人脸识别领域中,如何进行有效的特征提取一直是研究人员不断探索的方向。人脸识别因受多种因素影响,使得识别结果达不到预期效果,这些影响因素包括:光照变化,表情,姿态,装饰物等,解除这些因素的影响是当前人脸识别面临的主要问题。目前国内外已存在许多人脸识别算法,这些算法分别针对特定影响因素提出,但某些算法的性能并不理想,或只适用于特定数据,所以需要改进,或找出更具鲁棒性的人脸识别算法。本文根据对人脸识别目前研究现状的分析,对光照变化和表情这两种影响因素提出了几种解决办法,在文中体现为提出的几种改进算法或方案,并通过实验证实了几种改进算法和方案的有效性。对于光照变化的影响,在局部二元模式(LBP)算法的基础上做了一些改进。将图像按像素分块,构成分块LBP算法;在分块LBP算法的基础上再改进,把不同方位的0或1编排到不同二进制位上从而构成加权分块LBP算法;或取大小不同的两个环以确定中心点特征值从而构成双环分块LBP算法;又或者不用二进制序列,单从周围0和1的数量来确定中心点的取值从而构成二值LBP算法。通过实验证明该方法简便有效。对于表情变化的影响,在已知的表情识别和表情拟合算法基础上,提出一个方案用于解决表情变化下的人脸识别问题,特别是对比库中的人脸没有表情,而待识别的人脸有表情的情况。该方案融合了表情识别和表情拟合,先识别出表情类别,再根据表情类别拟合出没有表情的人脸,最终识别。实验证明该方法简便有效。对于光照和表情变化的综合影响,提出了红外与可见光融合的人脸识别算法。红外人脸识别和可见光人脸识别都有各自的优点和弊端,为取长补短,将两种识别融合,具有更高的鲁棒性,从而提高了识别性能。相对灰度人脸图像来说,彩色人脸图像包含了更多的信息,本文提出了一种彩色人脸识别算法,该算法用主成份分析(PCA)方法将彩色人脸变换到二维不相关色彩空间中,在得到的二维不相关色彩空间中对两个维度对应的向量分别识别,在匹配得分层融合。为此设计了一系列对比实验,证明了PCA色彩空间变换的效果和匹配得分层融合的识别性能都很理想。