近年来,随着互联网社交网络的急速发展,面向图片和视频推荐相关应用正逐渐成为用户关注的热点。其中,人脸识别在好友推荐、相册自动标注、安防与反恐领域,发挥着越来越重要的作用。但是,生活中通过手机摄像得到的图像或视频数据是真实和自然的条件下的,是没有经过实验室处理的。这样的数据受光照、尺度、遮挡以及人体姿态等多种因素的影响,对人脸识别算法提出了很高的要求。和以往主要面向实验室拍摄数据的人脸识别和检索算法不同,本文对真实场景数据集下的人脸识别方法进行了研究,提出一种基于特征学习的人脸识别方法。论文采用了带参数的空间SIFT特征。在SIFT特征的基础上,引入特征的空间位置信息,并且通过参数去调节空间位置信息在特征匹配中的重要性。特征空间位置信息的引入不仅可以去除掉很多误匹配并且对人脸有一定的配准作用。通过这种方式,将SIFT特征的强大纹理描述能力和人脸特征的空间位置分布结合起来,实现对人脸的更精确的描述。针对人脸识别中类内距离大于类间距离的问题,本文提出了基于单特征和特征组的权重学习方案。根据特征与其最近邻特征的标签信息,学习相应的权重以区分特征的判别性。然后,利用权重较大的特征组合成特征组,并对每个特征组学习相应的权重。针对最近邻查找在大数据下的低效性问题,本文引入图像检索方法,在训练库里查找和测试图片十分相似的人脸图片子集。这个子集中所包含的人脸图像数量远远小于整个数据库的图像总数。利用相似子集对人脸进行识别不仅可以减少最近邻分类的计算量,而且能提前排除掉与测试图片差别明显的图片以提高算法的精度。本文使用多个人脸库在Matlab下对本文提出的算法与其它算法进行比较。实验结果显示本文提出的算法达到了SRC、AHR等算法的识别水平,能够取得较高的识别率。本文最后在Windows平台下开发了一套新闻视频关键人物检索系统,对本论文算法实现了系统级的验证和扩展。该系统可以对新闻图像和视频进行人脸检索。系统可以根据用户的输入,自动地检测出人脸。然后系统采用本文提出的算法在本地数据库中检索与之相似的人物并返回相应的图像和视频给用户。系统主要包括人脸检测模块、跟踪模块、人脸识别模块和检索模块,可以较好地完成真实场景中的人脸检索任务。