基于图像的人脸识别问题已经成为当今计算机人工智能和机器学习领域中热门的研究课题之一,同时在现实社会的诸多领域中有着广泛的应用前景。但人脸识别的精确度受到很多方面的干扰,例如图像采集设备问题、人脸面部姿态问题、光照问题、有意或无意遮挡物对图像干扰的问题等都会给人脸识别的结果带来影响。如何在现有方法的基础上克服以上问题进一步提高人脸识别的准确率,同时降低识别的运行时间提高实效性,是目前亟待解决的难题。本文针对基于图像的人脸识别中的难点问题进行研究,取得了一些研究成果,具体有以下几个方面:在人脸局部特征提取方面,提出了一种基于低频图像的分块完整局部二元模式(LBP)的人脸识别方法,通过采用完整局部二元模式能够将人脸图像的特征信息提取得更加完整;采用低频图像,能够将图像的整体轮廓信息和局部信息有效地融合,还能大大提升算法的运行效率;分块化处理能够使算法更专注于对图像细节信息的把握。另外,还提出了一种基于心理学定律的局部特征提取方法,能够有效降低噪声信息对于人脸图像的影响。针对传统人脸识别的特征提取方法计算复杂的问题,以及传统分类方法过于单一、硬性的缺点,提出了一种基于二维主成分分析(2DPCA)+二维线性判别(2DLDA)和模糊集集成技术的人脸识别方法,通过采用2DPCA和2DLDA两种二维技术,可以大大降低了算法的计算复杂度,同时提高了识别的精确性;模糊集的引入改变了传统单一、硬性的判别方式,使分类方式更加有效合理,进一步提升了算法识别的精确度;离散余弦变换可以消除图像中的冗余信息,有利于提高识别精度,降低算法运行时间。基于支持向量机技术的研究中,本文提出了两种算法:一是基于组合核函数支持向量机的人脸识别方法;二是基于光照判别和多支持向量机的人脸识别方法。在前一种方法中,通过对具有不同特性的核函数进行比较分析,优化组合,使组合核函数支持向量机具有更好地分类效果;在后一种方法中通过对图像是否受光源照射的判断,来进行处理,以降低光照问题对于识别过程的干扰。基于多特征融合的人脸识别方法中,本文对于特征信息融合的方式进行了优选,通过将几种典型的特征信息进行融合,能够更好地反映出人脸的全部特征信息,最终达到提高人脸识别效果的目的。