自动人脸识别研究已经走过了近四十年的发展历程。研究人员试图赋予计算机通过面孔而能辨别人的身份的能力。在过去的几十年里，人脸识别已经取得了长足的发展，在信息安全、访问控制、视频监控等领域有着广泛的应用前景。但研究人员发现，目前的人脸识别技术也只是在理想的情况下能够达到满意的效果，非理想情况下的人脸识别还远未成熟。人脸识别的成功将很大程度上依赖于计算机视觉、模式识别、认知科学、心理学、神经科学等多学科的交叉研究! 在人脸识别研究中，人脸检测技术是目前相对较为成熟的技术。而对于面部特征点精确定位、人脸特征提取与识别这些核心技术，依然有很多工作要做。基于此，本文的研究重点为人脸识别中新算法的实现与改进。主要贡献如下： 1.系统综述了人脸识别的发展历史与研究现状。以人脸识别的共性模型为基础，阐述了人脸识别系统主要模块组成，如人脸检测、面部特征点定位、人脸特征提取与分类识别。以这些主要模块的核心技术为线索，详细的论述了人脸识别在不同发展阶段的特点、成就。对人脸识别中所涉及的方法进行有效的分类整理，并以此为基础，指出了人脸识别目前需要解决的一些问题，探讨了人脸识别可能的发展趋势。此外，介绍了目前国内外相关的科研机构，已有的人脸识别商业系统以及评估体系。 2.研究了面部显著特征点的定位问题，提出了眼睛特征、嘴唇特征等显著特征点精确定位的新方法。眼睛特征定位分为瞳孔定位、眼角定位、眼睑拟合。其中，眼角定位是通过在Gabor空间中构造眼角滤波器完成的。嘴唇特征主要以分割的思想为基础，结合象素的空间信息、频域信息，使得嘴唇区域能够较明显的区别于肤色区域，提高分割效果。面部显著特征点的精确定位将有助于后续人脸识别性能的提高。 3.研究了ASM(ActiveShapeModel)定位问题，提出了基于显著特征点定位的ASM方法。ASM通常是通过局部纹理搜索，形成迭代过程，使得形状模型与输入模型达到最佳匹配。由于ASM的搜索时间较长，对初始化位置比较敏感，使得ASM难以直接用于人脸面部特征的提取。为此，在面部显著特征点定位的基础上，我们提出了基于显著特征点定位的ASM，较好的克服了ASM方法本身的一些不足，减少了迭代搜索时间，提高了多特征点一次性定位的精度。这一研究对后续的人脸识别、人脸三维建模具有重要的意义。 4.研究了NMF(Non-negativeMatrixFactorization)用于图像特征提取的问题，提出了基于稳健初始化的NMF方法并应用于人脸识别。Lee等人最早在《自然》上发表了一篇文章，从视觉机理出发，讨论了NMF方法。与传统方法所不同的是，NMF方法在提取图像特征时所得到的是图像的部分特征而非整体特征；更重要的是，这些局部特征在重构原图像时，都是非负组合。然而，NMF在初始化这一问题上是非常敏感的。考虑到实验的可重复性以及算法的鲁棒性，我们提出了三种稳健的初始化方法。基于稳健初始化的NMF方法对于NMF中的参数选择具有一定的指导意义，并且在分类识别性能上有所提高。 5.研究了流形学习理论用于人脸识别的问题，提出了GSLPP、SKLPP、GSLLE等新的流形学习新算法。流形学习在多元数据分析领域的潜力引起了计算机视觉领域的浓厚兴趣。流形学习试图揭示多元数据集的内蕴结构，并以此为基础研究数据的各种属性。新算法一方面对原始数据集样本空间进行了改造；另一方面充分考虑了样本的类别属性，利用有监督学习提高算法的性能。这些改进直接影响了算法的核心部分，即权值矩阵的建立和求解。在多个数据集ORL、AR、CMU-PIE上所取得的实验结果是令人欣喜的。