高效、精准的自动人脸识别技术不仅有着广泛的应用前景,而且推动着人机交互和人工智能领域的发展。大数据时代的到来对于人脸识别领域既是挑战又是机遇,如何有效利用丰富的多元多特征信息应对人脸识别实际应用中的各种难题是本文研究工作的出发点。现有的基于特征点附近像素灰度值变化的纹理特征无法有效应对光照、姿态变化等因素对于特征点定位的影响,需要挖掘纹理特征之外的有效特征提高面部特征点定位的精度。大数据时代可获取的人脸图像形式越来越丰富,可以利用多源人脸图像蕴含的信息互补提升人脸识别系统性能。当面临匹配过程中输入图像与图像库图像属于不同模态这一实际应用问题时,可以通过异质人脸转换的方法将不同模态的人脸图像转换为同一模态,引入合成图像进行后续异质人脸识别。本文从实用性和理论角度出发,分别研究了人脸特征点定位算法,多模态人脸识别算法,异质人脸转换及识别算法。具体来说,本文的工作主要包括以下几个方面:1)提出灰度几何特征提取方法并利用显示回归模型与纹理特征融合应用于人脸特征点定位任务该特征点定位算法基于LTV模型提取人脸灰度几何信息,利用非线性变化增强人脸图像中面部关键器官特征。利用级联回归模型融合灰度几何信息与原始纹理信息,使得模型具备更强的泛化能力,同时对于实际环境下光照、姿态变化等因素更为鲁棒。实验结果表明该算法具有更好的泛化能力和特征点定位精度。本文工作为如何利用信息融合提升人脸特征点定位精度提供了一种新的思路。2)提出基于复数域人脸特征融合的多模态人脸识别本文提出双模态人脸图像在复数域的特征表达形式,基于协同表达方法在特征层面融合可见光与近红外人脸图像的特征。进一步利用分块Gabor特征结合协同表达分类提升双模态人脸识别性能,并从几何性误差分析指出协同表达分类相对于稀疏表达分类的优势。大量实验结果证明了本文方法的高效性,可应用于实际人脸识别系统。3)提出一种基于稀疏多元特征融合的异质人脸转换及识别方法针对匹配过程中输入图像与图像库图像属于不同模态的情况,本文称为异质人脸识别问题,提出一种基于稀疏多元特征融合的异质人脸图像转换方法,在图片块层面基于稀疏表示模型融合多元特征,学习异质人脸特征空间映射关系。首先,对图像滤波处理后的人脸图像提取局部结构信息。然后,利用梯度信息和低频信息补偿合成照片的缺失信息。最后,利用引导滤波方法增强合成图像的细节信息。图像质量评价实验和人脸识别实验表明,本文方法合成的图像对于表情、姿势以及光照的变化具有良好的适应性。合成图像的引入一定程度上解决了异质人脸识别问题并提升了人脸识别率。