人脸识别旨在通过从人脸图像中获取有效的视觉特征信息来进行身份鉴定或识别。随着人们对公共信息安全的关注、对身份鉴定和识别的需求以及多媒体和数码娱乐中人脸分析和建模技术的需要，自动人脸识别技术已成为热门的研究方向，近年来被广泛应用于公共安全及人机交互等核心领域。人脸识别技术的工程研究始于20世纪60年代，经过近五十年的发展取得了很大的进展，但是仍然面临着一些挑战，例如在光照不均、姿态和表情改变、待识别图像的分辨率过低、年龄的变化、随机遮挡等非约束条件下识别的精确度仍有很大的提升空间。自动人脸识别系统主要包括人脸检测、人脸特征点定位、人脸特征提取及分类以及人脸特征匹配识别四个组成部分。人脸的特征点定位作为人脸识别系统中的关键步骤，特征点定位精度在很大程度上影响着人脸识别系统的性能。主动表现模型(ActiveAppearance Model，简称AAM)是由T.F.Cootes等人提出，并被广泛应用于面部关键特征点定位领域，但现有AAM模型的拟合性能并不理想。本文针对上述问题，首先深入研究了主动表现模型的理论成果，对人脸建立了AAM主动表现模型，并将反向组合算法应用于传统AAM算法的拟合部分，改进了传统AAM模型的拟合性能。其次本文利用Gabor变换提取人脸的局部特征，并分析了人脸识别中最具有代表性的Eigenface和Fisherface线性子空间识别算法的原理和性能，分别在ORL和Yale人脸库上对两类算法的识别性能进行了仿真实验。最后在对各部分理论进行深入分析的基础上，本文提出并实现了一套新型人脸识别系统。具体方案是首先对人脸建立拟合改进的AAM模型来进行面部特征的精确定位，并选用Gabor变换及Fisherface算法来进行面部特征的提取和识别。通过对各个模块的融合，本文构建并实现了一套对光照、姿态、表情及遮挡等变化具有强鲁棒性的人脸识别系统。在ORL及Yale人脸库上分别对本文的人脸识别系统及经典的Eigenface、Fisherface算法的识别性能进行测试比对，实验表明本文的人脸识别系统具有更理想的识别效果。