作为自然、直接、易被接受的生物特征识别技术，人脸识别技术广泛应用于身份识别和智能监控领域。实际应用中，绝大多数人脸识别任务是在开放环境下完成的，在这种环境下，只有小部分的人脸所对应的人物是预先在系统中注册过的，系统需要识别接受这一部分人物，并有效地排除大量非目标人物。另外，受拍摄光照、姿势、表情等因素的影响，同一人物的人脸会呈现不同的图像表现。这些因素使得开放环境下识别性能的提高是人脸识别的难点。本文就开放环境下指定人物的人脸识别提出了一套行之有效的方法，主要工作由以下几个部分组成：（1）模拟人类认知识别模式，为每一个指定的目标人物构建一个人脸二分识别器。本文采用目标人物的边缘人脸训练生成针对特定人物的识别器，以判定输入人脸是否属于该目标人物。其中，目标人物的边缘人脸是通过目标人脸与大量随机非目标人脸的变形融合来生成的。（2）采用具有互补特性的Local Binary Pattern和Gabor Wavelets对边缘人脸进行特征描述，再用Support Vector Machine训练基于这两种特征的人脸识别器。利用互补特性对这两种识别器的判定结果进行融合，构建一个并行的识别网络。这一做法使得系统在保证目标人物识别效率的前提下，能够有效降低非目标人物的错误判定效率。（3）改进系统对多种旋转角度人脸识别的性能，在训练指定人物识别器的过程中，为其生成了多种旋转角度的边缘人脸。为了达到这个目的，本文提出了一种基于变形的多角度人脸生成方法，使得系统可以利用有限角度的人脸生成其它自然而平滑的指定角度人脸。本文采用10位知名人物作为待识别的指定人物，从互联网上获取了他们大量的人脸图片，结合标准数据库FERET构建了一个类似开放环境的人脸数据集。在该数据集下进行实验，并与基于Robust Sparse Coding的识别方法进行对比。结果表明，在开放环境下，本方法的识别性能比RSC算法要好，能够对指定人物的变人脸达到92%以上识别效果，同时对非目标人脸的虚警率在0.5%以内。另外，本文还利用CMU-PIE中68人作为目标人物，设计实验验证了系统在加入多角度边缘人脸之后，在保持对非目标人物良好的排除效率下，能够使多角度目标人脸的识别率得到良好的提升。