人脸识别技术经过多年的发展，时至今日，在技术上已经得到了长足的进步，许多可靠经典方法已经开始商用化，被应用于各个领域，服务于各类人群。然而，传统的经典人脸识别方法通常被用于较理想的环境中，通常要求识别者保证端正的坐姿展现出足够的面部特征，以便进行识别。然而随着智能监控系统的兴起，很多原本由人类手动完成的工作，人们现在越来越多地希望交给计算机自动完成。因此我们常常需要对日常生活中的场景进行人脸识别工作。而日常生活中的监控视频的环境背景常常是非常复杂的，如一幅画面中存在众多的人脸目标，目标姿态不端正，被遮挡等情况。同时，由于是视频系统，还需要对目标进行连续的识别，更加大了处理难度。为了解决上面的问题，构建完整的识别系统，本文分别从人脸检测，特征提取和识别，全面地研究复杂环境下的有效识别技术。在人脸检测方法上，提出Adaboost+CPCA(Adaboost+Color Principal ComponentAnalysis)方法，在由Haare特征级联的弱分类器所构成的强分类器上引入结合目标肤色信息的识别方法。以提高Adaboost方法准确率。在特征提取以及识别技术上，因为需要应对非正态的人脸识别，并且人脸的特征提取需要对光照不敏感以适应不同光强下的检测。而SIFT特征(Scale-invariantFeature Transform)的旋转和尺度不变性，以及在不同光强下的稳定性恰好为上面的问题提供了适合的解决方法。本文在特征匹配的同时运用聚类分析加以改进，从而解决了在实际应用中，由于常常会对整幅图片进行SIFT特征提取，可能产生无用特征影响特定目标的匹配效果这一缺陷。在研究了人脸检测识别技术的同时，对目标追踪技术加以利用。着重研究了混合高斯模型在前景检测上的应用与实现。并将其结合进人脸识别检测系统中，用其解决不可识别目标的“变向识别”问题，变换对“未知目标”的识别问题为对“已知目标”的追踪问题。最后，对以上方法加以综合，构建成自动化检测识别系统，能够对日常生活中的视频图像进行检测识别，即便对被遮挡的目标也拥有极好的识别效果。