随着计算机和信息技术的快速发展,人脸识别技术越来越受到重视。本文主要研究了人脸在不同光照、不同表情下的特征提取与识别的一些关键问题,提出了一些改进方法,并通过实验进行了可靠性验证。针对LBP算法提取人脸图像的表情特征信息时会丢失特殊的特征信息的缺点,本文提出了多重局部二值模式的人脸表情识别方法(Multiple Local Binary Patterns,MLBP),该方法在保持LBP算法优点的前提下,通过增加一位二值编码,利用中心像素点作用以及邻域像素点灰度值之间的关系,得出特征向量图。实验结果表明MLBP算法比LBP算法描述的表情纹理图像更加均匀,且识别率约提高10%。针对人脸表情图像进行纹理特征提取时的模块大小划分问题,本文提出将MLBP算法与Harr小波分解相结合,该方法首先将表情图像进行Harr小波分解,得到四幅不同频率的子图像,然后对其中三幅图像进行MLBP特征提取,并将得到的特征值串联形成表情图像的特征向量。实验结果表明该方法比MLBP方法直接提取表情特征所产生的特征向量的维数减少了 25%,特征提取和识别的速率提高了,其中识别率约提高了 9%。人脸识别研究中的识别率容易受光照强度的影响。针对MLBP算法在光照变化时具有旋转不变性,以及Gabor小波能提供空间位置、空间频率的特性,本文提出了多重局部 Gabor 二值模式方法(Multiple Local Gabor Binary Pattern,M LGBP),该方法先对人脸图像使用Gabor小波进行变换处理,保留受光照影响较小的高频部分,然后再采用MLBP算法对Gabor提取后的图像采用分块编码,最后得到联合直方图序列,获得丰富的局部特征信息。实验结果表明了该算法有效的降低了光照对识别率的影响,提高了光照不均匀时的人脸识别率,且在特征提取方面比Gabor等算法更加有效。