人脸识别作为一种典型的模式识别问题,它主要涉及图像的采集、分析、处理以及判别分类等方面。随着科学技术的快速发展,人脸识别技术得到了进一步的发展,但是仍然有难题需要解决。特征提取作为人脸识别的关键环节,在很大程度上直接影响系统的性能。近年来,局部二值模式算法因其优秀的纹理描述能力而得到了广泛的运用,利用局部二值模式提取人脸特征的方法也成为了研究的热门之一。但是局部二值模式算法也有其局限性,本文对其进行深入的研究,并从以下几个方面进行了改进:(1)针对局部二值模式算法提取局部特征不完整和不能提取全局特征的问题,提出了浮动局部二值模式和高维局部二值模式两种算法对其进行改进。由于这两种算法的改进思路不同且各有优势,因此对上述两种方法进行融合提出了一种超局部二值模式算法。超局部二值模式算法不仅具有浮动局部二值模式提取邻域边缘特征的能力,而且具有高维局部二值模式提取全局特征的能力。实验表明,改进后算法的识别率都要高于经典的局部二值模式算法,且超局部二值模式算法的识别率最高。(2)针对上述三种改进算法中特征向量维数倍增的问题,提出了基于K均值算法的降维方法。利用聚类的方法将相似度较高的特征融合在一起,以减少特征向量的维数。为了解决K均值算法对初始聚类中心点非常敏感的问题,本文结合人脸特征向量的几何分布特征,提出一种均匀K均值算法。结合k值和算法总体误差在迭代过程中的变化趋势,定义了一种新的评价函数。利用评价函数选取初始点的个数,然后通过均匀选择的方式,确定初始聚类中心点。实验表明,均匀K均值算法的稳定性和聚类的总体误差,都要优于经典的K均值算法;通过与PCA算法降维的对比实验表明,均匀K均值算法的降维效果比PCA算法降维更好。本文通过对局部二值模式的计算方法进行研究,最后提出了一种基于均匀K均值降维的超局部二值模式算法。利用该算法提取的人脸特征向量不仅维数较低,而且表征能力强,在保证算法识别时间稳定不变的条件下极大的提高了经典局部二值模式算法的识别率。