随着信息时代的到来,信息安全引起了人们的普遍关注。因为人脸识别具有不可复制性,不易被模仿,具有可靠的安全性,因此被广泛地应用于身份验证、可视通信、智能监控、安保、金融、电子政务、公安档案管理等各个领域。通俗来说,人脸识别就是根据人脸图像的信息特征来进行分类识别,因此,如何提取图像中有效的特征就变得尤为重要。本文针对人脸图像的特征提取和识别进行了研究,论文完成的主要工作如下:1、对Chen Dong等人构造高维特征的算法进行了改进。在Chen Dong等人的论文中,首先将人脸图像缩放成不同尺度的几幅图像。对于每幅图像,以每个特征点为中心,取一个固定大小的图像块,将每个块分成16个单元;在每个单元上提取特征,然后将提取到的特征联合起来,得到一个子块上的特征,再将不同尺度、所有子块上的特征联合起来,形成最终人脸图像的特征。在本论文中,在每个特征点处增加了一个以特征点为中心的单元,其他步骤不变,提出了改进的高维特征。在LFW人脸库上对高维LBP、Gabor、HOG、SIFT特征与相应改进的高维特征进行对比实验,实验结果表明,改进的高维特征识别率优于Chen Dong等人提出的高维特征。2、将改进的构造高维特征的算法推广到LPQ特征上,提出了高维LPQ特征的概念和构造方法,在此基础上提出了基于高维LPQ特征和联合贝叶斯的人脸识别算法。构造过程和改进的高维特征类似,对于每个单元提取LPQ特征,最终将所有尺度、所有子块中包含的单元LPQ特征联合起来,得到高维LPQ特征,然后利用PCA对高维LPQ特征进行降维,最后利用联合贝叶斯进行人脸识别。我们将所得到的高维LPQ特征同普通的LBP、HOG、Gabor、SIFT特征及其对应的高维特征在LFW人脸库上进行实验,实验结果表明,我们提出的高维LPQ特征识别率高于其它特征以及对应的高维特征。3、研究了在基于深度学习的人脸识别中,对于由卷积神经网络提取得到的特征向量进行PCA降维处理是否能够进一步提高识别率。首先,利用VGG模型提取了图像的深度特征,其次,对提取到的深度特征利用主成份分析(Principal Component Analysis,PCA)进行降维处理,最后,利用余弦分类器进行分类识别。在LFW人脸库上进行实验,实验结果表明对于VGG网络得到的深度特征,利用PCA进行降维后,识别率有所提高。