人脸识别是计算机视觉和模式识别学科前沿，同时在国家公共安全、信息产业也具有广阔应用前景。然而，在实际场景的应用中，人脸识别系统的性能通常会受到一些因素的影响，比如:光照、姿态、表情、年龄、遮挡和采集设备等。因此，提高人脸识别系统的鲁棒性变得极其重要。　　 人脸图像的特征分析在整个人脸识别系统中处于核心地位。本文对现有的人脸特征提取方法进行分析和归纳，并对特征提取的鲁棒性问题进行研究，提出了一种新颖的基于量化共生编码统计的人脸局部特征提取框架，主要的工作和贡献包括:　　 1)针对Gabor特征的鲁棒编码问题，提出了两种改进的特征提取策略。第一种是基于Gabor相位特征改进的人脸表征和识别方法。该方法首先将Gabor相位进行粗粒度的量化获得鲁棒的人脸表达，然后利用量化相位的共生关系进行统计描述。量化相位的共生关系极大的丰富了人脸特征表达能力，使得人脸特征集的更加完备。另一种是基于鲁棒编码改进的Gabor特征人脸表征和识别方法。该方法利用定序测量滤波器的鲁棒性和参数结构多样性对4种Gabor特征进行编码。融合的Gabor定序测量特征一方面继承了Gabor特征的判别性，另一方面也继承了定序测量描述子的鲁棒性。融合的特征可以更好的描述人脸表观，并且对光照、表情、年龄等噪声也表现出良好的适应性。最后，利用线性判别分析方法使整体人脸特征的鉴别能力得到进一步提高，同时采用一种两阶段的区域选择策略使整体特征表达更加紧致。　　 2)针对LBP特征的鲁棒编码问题，提出了利用局部显著性改进的特征提取策略。LBP以其计算高效性方面在低功耗的移动设备上获得了成功应用。我们方法仅选用LBP局部差分计算过程中最稳定的正向最大和负向最小的比对结果进行编码并且作直方图统计分析。在计算量保持大致一致的前提下，提出的局部显著模式在对抵抗各种噪声的鲁棒性方面与LBP相比均有所提高。此外，通过对高阶局部显著模式的分析表明，不同阶局部显著模式对不同的噪声具有不同的抵抗能力，因此采用多阶局部显著模式融合的策略，系统整体性能获得进一步提高。　　 3)针对人脸局部特征统计方法，提出了对表情鲁棒的分块策略。在过去大量论文数据显示，人脸采用分块策略提取的特征会比全局特征在受各种噪声影响的情况下会表现的更加鲁棒。然而传统的分块方法存在一定的问题:Ⅰ）人脸区域划分的块数需手动调节;Ⅱ）如果子块划分的越粗略，则提取的特征稳定性增强但是判别性能下降;反之如果子块划分的越精细，则提取的特征判别性能增强，但是鲁棒性下降。本文利用信息熵学习的方法来自动决定每个粗略划分的人脸区域应该划分的人脸子块数，然后利用聚类的方法来对每个区域里的局部特征进行统计分析。该方法在一定程度上解决了传统分块方法仅考虑空间关系但由于夸张表情影响导致的非对应块比对引起的错误识别，为后续表情鲁棒的特征表达提供前提条件。　　 总的来说，本文对人脸特征提取的鲁捧性问题展开研究，针对现有经典的两类局部特征(Gabor和LBP)在鲁棒性问题进行了有益的探索和研究，提出了一系列改进策略，提高了人脸识别算法的整体性能。