人脸识别作为计算机视觉领域的一个前沿课题,一直以来都受到研究者们的密切关注,其在很多领域比如刑侦检测、公共安全、视频检索等有着广泛的应用。由于近些年人脸图片的采集和存储工具例如照相机、影视媒体、监控系统和网络媒体等技术的不断发展,使得人脸图片的获取和存储变得更加便利,这给人脸识别深入研究带来了充分的现实条件和可能。人脸特征提取是人脸识别技术中具有挑战性的关键问题,特征提取的优劣直接影响到人脸识别的最终结果。相比其它物体,人脸具有独特的性质和复杂的3D结构,人脸的时空特征包含人脸结构的重要信息。提出的基于时空特征抽取的人脸识别技术和方法,具有良好的通用性和适应性,能广泛用于各种环境的人脸识别需求。在视频多轨迹人脸识别领域,时间特征是一个重要的信息,由于视频中人脸的动态变化和视频中多人脸的同时出现,往往为人脸检测和识别带来困难。可以利用时间特征信息对人脸检测进行修正,改善误检和漏检的状况,同时利用视频时间特征信息可以渐进式地改善并提高多轨迹人脸识别最终结果的准确性。视频或图片集涵盖了更多的人脸各方面信息,但收集的数据有多方面不利于识别的因素,例如人物角度、图像模糊、面部遮挡、表情变化、穿戴打扮、光照条件和图像捕获系统的差异造成的变化等,这给人脸识别带来了新的挑战,空间特征提取能够通过建模或模拟人脸3D空间的结构提升人脸识别系统的辨别能力,因此,对这一课题的深入研究具有重要意义。本文主要贡献及创新点如下:（1）提出了基于时间特征提取的视频人脸增强检测方法,以及用于视频多人物识别的多轨迹增量学习方法。由于主流的V&J人脸检测算法存在一定程度上的误检测和漏检测,本文使用一种稳定的视频目标跟踪方法来增强检测,实验表明,采用这种检测与跟踪相结合的方法可以有效地改善人脸检测的结果,从而提升人脸检测的准确率。增强检测方法的平均人脸检测效果（89.51%）优于V&J方法（64.97%）。目前基于视频的人脸识别主要是对视频中单人脸的识别,而在一些场景中经常会出现多人脸同时出现的情况,然而,这方面相关的研究较少。提出一种多轨迹增量学习算法,使用上述的增强检测与基于LBPH特征的人脸识别相结合的方法来进行视频多人脸识别,实验表明,采用多轨迹增量学习的方法可以有效地提升视频人脸识别的准确率。本文的方法在Honda/UCSD数据库中的总体识别结果（94.44%）优于最好的LBPH方法（83.33%）。（2）提出了基于人脸几何空间结构姿态估计的人脸识别方法。对于传统的应用于单图片姿态估计的Pn P方法进行改造并移植到图片集。基于人脸特征点的3D空间结构建造几何空间旋转矩阵,估计人脸在3D空间中姿态变化。本文对于每个图片集定义一个正向图片模型,而不是使用固定的模型作为基准。实验表明通过使用人脸特征点姿态估计的方法能够获得相比一些先进方法具有更好的识别效果。在Honda/UCSD数据库中（50帧）,本文的方法识别准确率（97.44%）优于最好的GJRNP方法（92.31%）。在You Tube Celebrities数据库中,本文的方法识别准确率（77%）优于最好的IDLM方法（76.52%）。（3）提出了基于空间对齐人脸特征点学习的人脸识别方法。人脸特征点是人类视觉对于人脸的最本质的认知,这可以用来降低特征维度和减少冗余信息,然而,对于视频或图片集的每一帧提取的人脸特征点是不规则的,这就需要一种对齐方法将不规则的人脸特征点对齐到一个共同的坐标空间。实验表明,使用这种人脸特征点对齐方法能够很好地提升图片集人脸识别的准确率。在Honda/UCSD数据库中（100帧）,本文的方法识别准确率（94.87%）优于最好的SANP方法（92.31%）。