自动人脸识别是计算机视觉和模式识别研究中最具挑战性和最活跃的研究课题之一。过去十年，人脸识别系统的性能得到了很大的提升。特别是基于统计学习的人脸识别方法取得了很大成功。然而当面对姿态差异的时候人脸识别系统会变得很不稳定。当姿态差异足够大时，在二维图像上，由姿态差异带来的的变化大于由身份差异带来的变化，这使得跨姿态识别人脸变得非常困难。本文主要关注基于统计学习的姿态鲁棒人脸识别研究。本文研究了三种模型，它们分别是偏差-方差平衡的线性模型、偏最小二乘(Partial Least Squares)模型和典型相关分析(Canonical Correlation Analysis)模型。基于这些模型提出了若干跨姿态人脸识别算法。　　 本文的具体贡献总结如下：　　 (1)姿态无关人脸表示模型中的方差-偏差平衡。姿态差异使得一个线性子空间很难表示所有视角下的人脸。因此，将人脸划分为若干姿态集合，对每个集合构造一个线性子空间表示人脸是相对较好的方式。而将单一姿态对应的线性子空间按照身份耦合起来可以构造出与姿态无关的人脸表示模型。本文发现在上述模型中的高方差是导致跨姿态人脸识别算法性能下降的一个可能因素。而通过调节偏差和方差之间的关系可以将方差控制在合理的水平内。基于上述分析本文提出了一种新的姿态鲁棒人脸识别框架。在这一框架下，探索了岭回归(Ridge Regression)和拉索回归(LassoRegression)两种偏差-方差平衡技术。除此之外，本文还将偏差-方差平衡机制嵌入“特征光场”方法，提出了一种改进的跨姿态人脸识别算法。而实验结果表明，上述方法是有效的。　　 (2)提出基于偏最小二乘的姿态鲁棒人脸识别方法。使用按照身份耦合起来的线性子空间可以实现跨姿态表示人脸。这样跨姿态识别人脸的问题就可以形式化为如何跨两个耦合的子空间识别人脸。本文提出用偏最小二乘回归对不同姿态下的人脸进行耦合子空间学习。在此基础上，本文提出新的姿态鲁棒人脸识别算法。实验的结果验证了上述方法的有效性。　　 (3)提出基于典型相关分析的姿态鲁棒人脸识别方法。从身份相关性的视角观察，在姿态差异增大时相同人之间和不同人之间的相关系数值分布出现了混淆。而增强身份相关性可以改善其分布。本文提出使用典型相关分析模型进行身份相关性最大化。在此基础上，提出一种新的姿态鲁棒人脸识别算法。实验的结果表明这种方法在跨姿态人脸识别中是非常有效的。