人脸识别技术具有非接触性、采集设备成本低、交互界面友好等诸多优点,在安防、金融等方面得到广泛应用。但是由于实时采集的人脸图像容易受到自身(如姿态、表情、遮挡、年龄等)以及外界(主要是光照)诸多因素的影响,使得人脸识别技术仍需进一步改进和完善。本文主要在图像的局部二值模式特征的基础上展开研究,主要工作包括:(1)针对小样本问题,提出了一种权值融合原始和虚拟样本的人脸识别方法。该方法首先通过几何变换构建原始训练样本的镜面对称虚拟训练样本,再分别提取原始训练样本和虚拟训练样本的LBP特征直方图,最后利用权值融合两种特征直方图进行分类。由于构建的镜面虚拟训练样本保留了原始样本的某些特征,却又和原始样本不一样,代表了样本的多样性,使得人脸识别率得到提高。(2)研究了当前比较流行的基于稀疏表示和基于协同表示的分类算法,分析了稀疏表示和协同表示的差异。通过基于协同表示的两级分类人脸识别算法实验,验证了在没有提取特征的情况下,协同表示分类依然表现出较好的分类能力。然后在针对协同表示在小样本情况下识别效果不理想及对光照、表情等鲁棒性不好的问题,提出了一种自适应加权融合的双重分类人脸识别方法。该方法首先提出了一种自适应融合机制,该机制能够自动分析样本特征,为每种数据分配最优的权重,移植性更佳,且克服了不同的样本特征使用相同的权值组合影响最佳识别效果的弊端。自适应加权融合的双重分类人脸识别方法同样先分别提取原始样本和虚拟样本的LBP特征直方图,然后将测试样本分别在原始样本集字典和虚拟样本集字典上进行协同表示编码,各自将测试样本归为残差最小的一类,实现第一次预分类,最后结合两种分类结果,采用自适应加权融合方法对测试样本进行最后的判决分类,即“双重分类”思想。在ORL和FERET人脸数据库上的实验数据表明该方法能够提高人脸识别的准确率。(3)基于人脸识别的多种应用场景,文中就公安部门对嫌犯身份确认这一具体案例进行分析,通过实验比较得出本文提出的方法相对其他传统方法在单样本条件下的人脸识别应用效果更佳。