人脸识别作为生物特征技术与计算机视觉等交叉学科的研究热点之一，为人工智能、安全监控、人机接口等领域的信息化进程提供了技术支撑，有着深刻的理论价值和广阔的应用前景。现今的大多数人脸识别算法在用户配合、识别场景理想的情况下可以基本满足需求，但人脸识别技术的精度还不能达到完全实用的程度，仍面临着光照复杂性、姿态多变性、表情多样性以及遮挡随意性等诸多挑战。本文针对复杂条件下的人脸检测与人脸识别问题进行探究，并取得了如下的研究成果:　　 第一，在复杂背景下的人脸检测部分，针对经典AdaBoost算法训练速度较慢、检测精度不够理想的问题提出HAD-AdaBoost人脸检测算法。采用直接求简单分类器错误率的方法快速训练弱分类器，并根据人脸检测问题的非对称性引入新的加权参数，使检测器更适用于目标检测问题。通过采用启发式级联分类器结构，将前层分类器的训练结果嵌入到后面的分类器中，从而减少弱分类器总数、改善检测器性能。在MIT-CBCL数据库上的实验结果表明，该算法的训练速度和检测能力优于AdaBoost算法。　　 第二，在复杂条件下的人脸识别部分，针对稀疏表示人脸识别算法在测试图像与训练图像间存在对齐误差时性能下降的不足，提出基于位置约束稀疏编码与特征空间金字塔模型的人脸识别算法。选择尺度旋转不变算子来提取图像的局部特征，并采用稀疏编码技术为局部特征编码，提高算法的抗嗓能力。针对稀疏编码算法迭代复杂的问题，根据图像稀疏表示中位置信息比稀疏性更有必要的思路，在稀疏编码的优化问题中引入位置约束信息，并采用K近邻近似算法，节省计算与存储开销。最后使用图像的空间金字塔特征训练简单的线性SVM分类器，提高了算法在实际应用中的价值。在多个人脸库上的对比实验验证了该方法的有效性。　　 第三，在系统实现部分，对文中关键算法进行模块化设计，利用MATLAB图形用户界面开发了一个完整的视频人脸识别系统，集视频人脸检测、分类器模型训练、人脸识别与信息查询功能于一体，并设计了友好的人机交互界面，能够满足多表情、多姿态的实际应用需求，为今后的产品开发提供相应的技术储备。