作为计算机视觉和模式识别领域里的热点研究课题,人脸识别技术一直被学术界和工业界广泛关注。目前,人脸识别技术已经广泛应用在日常生活中的各个领域,然而在现实场景中,光照、遮挡等因素会严重干扰人脸识别算法的性能,为此,本文在现有研究成果的基础上,对人脸识别技术进行了改进。人脸识别通常包含三个步骤:图像特征提取、数据降维、特征匹配,本文主要对人脸图像的特征提取方法进行了较为系统的深入研究。本文针对人脸识别技术中的缺点进行研究,在多干扰因素存在时,单一的人脸特征不能取得很好的识别效果,为此分析各种特征融合方法对人脸识别系统性能的提升效果。在特征融合方面,本文将复合不变矩和灰度共生矩阵进行了加权融合,首先,使用图像处理技术把人脸区域分割成大小相等的小块图像,将其视作之后特征融合的基础操作;接着,对每个子块区域抽取其Hu矩特征,并采用信息论的方法确定其权重,用得到的权重系数组合这些子块的特征;然后,再提取人脸图像的GLCM特征;最后,利用支持向量机在决策层将两种加权融合;分别在ORL和Yale人脸库中进行实。结果表明:本文提出的特征融合方法能够使人脸识别效率得到显著的提高。基于协从表示的人脸识别方法是直接利用全部人脸图像组合成过完备字典,这样情况构造的字典仅能描述人脸图像的全局特征,不能够很理想的代表人脸样本的局部特征。所以,为了进一步改进CRC算法识别性能,利用Gist算子来抽取人脸的局部特征,在此基础上提出了一种新的人脸识别模型GL-PCRC。在ORL和扩展的YaleB人脸库中选取部分样本进行实验验证,结果表明:GL-PCRC人脸识别模型能够进一步提高CRC算法的识别性能。