随着人工智能和计算机信息技术的快速发展，人脸识别逐渐成为计算机视觉领域的热门课题。人脸识别的关键技术是提取有效且稳定的鉴别特征，特征的优劣直接决定着最终的人脸识别效果。然而，在光照、噪声、遮挡等复杂多变的现实环境中如何定位和提取稳定有效的特征，仍具有许多的技术难点。论文的主要创新和贡献体现在以下几个方面：
　　1.研究分析和定义了一种相似性特征。双胞胎、多胞胎或者处在不同年龄阶段的同一个人，他们的面部很相似，这种相似是由于他们的基因组成相似或者相同。那么他们的面部是否存在与基因相关的某些特征，这些特征具有很大的相似性且受外界环境影响较小，具有一定的稳定性，并在不同人脸中有着不同的组成方式。本文研究将这些特征定义为相似性特征。人脸相似性特征独具代表性，相较于人脸其它的特征，其具有较好的稳定性，更易于识别。
　　2.根据相似性特征的定义，提出一种基于欧氏距离的相似性特征提取方法。首先，对所有训练样本进行标准化处理，以每个样本类为一个整体计算该样本类的平均值样本和标准差矩阵。其次，根据标准差矩阵中元素的大小，依次计算每个样本类中的训练样本与均值样本之间的欧氏距离。最后，为了减少样本内具有相关性的冗余特征，保留了在训练样本与均值样本之间的欧氏距离达到极大值时的样本特征。实验表明，该方法能有效提取人脸相似性特征。
　　3.对相似性特征在不同人脸中的组合方式进行研究，提出一种基于相似性特征加权融合的人脸识别方法。不同的正面人脸图像可以用相似性特征的不同线性组合进行描述。首先，以一组相似性特征为基底，计算每个样本类中的训练样本在该基底上的权重系数，构建一个权重系数矩阵。其次，将待测试样本以同样的方式投影到以相似性特征为基的基底上，并计算权重系数。最后，采用最近邻分类器度量待测样本在基底上的权重系数与已知权重系数的相似度，以此实现人脸图像的分类。在自建人脸数据库中的实验结果表明，该方法获得了良好的识别效果。