人脸识别的研究具有重要的理论价值和广阔的应用前景,然而,无约束环境下的光照变化将严重影响人脸识别系统的识别性能。针对光照变化问题,国内外研究学者做了大量研究,其中基于信号分析的光照处理算法,因计算处理快且无需任何先验知识,容易达到实时处理要求,已成为工程中解决人脸图像光照问题一个主流方法。近年来,隶属于此类算法的Retinex算法被引入人脸识别领域,因其模型简洁、实用性强,为解决实际应用中的光照变化问题开辟了一条新的道路。本文的研究以提高人脸识别对光照的鲁棒性和识别精度以及工程应用中的实用性为主要目标,以Retinex理论为研究主线,对Retinex算法处理复杂光照下的人脸图像的效果和算法效率展开研究,探讨人脸图像光照问题的解决方法。本文的主要工作和创新点如下:首先,从提高Retinex算法处理人脸图像光照问题的效果出发,提出了一种基于视网膜模型的Retinex算法。以人类视网膜结构和信息处理机理为参考,提出采用单尺度Retinex算法和基于上下文信息间断检测方法的自适应平滑Retinex算法分别模拟视网膜各功能层处理视觉信号的过程。通过Extended Yale B人脸库的识别结果表明,此改进算法处理后的人脸图像取得了93.98%的平均识别率,较经典的基于视网膜模型的算法提高了20.51%,并且较主流的自适应Retinex算法高出5.4%,适用于对识别效果要求较高的工程应用领域。其次,针对Retinex算法中存在迭代运算导致算法速率下降的问题,对一种基于两次双边滤波的Retinex算法进行算法效率的改进,提出了一种基于快速双边滤波的Retinex算法。此算法对图像的光照和反射分量分别进行平滑估计,在消除图像光照的同时,可有效地去除噪声、保留图像特征细节;图像的平滑估计采用了增维型快速双边滤波,可将传统双边滤波的逐点运算转化为线性卷积,在保证算法处理效果的同时大幅提升了算法的处理效率。Extended Yale B人脸库上的实验结果表明,此改进算法的运算速度较主流的自适应Retinex算法提升了46%,接近于目前Retinex算法中较为快速的基于mean shift的Retinex算法,而且处理后的人脸图像的识别率都高于前两种对比算法,因此是一种同时保证了算法效果和效率的高性能光照处理算法,适用于某些需要快速得到处理结果的实际应用系统。