人脸识别是一种重要的生物特征识别技术，在数字娱乐、人机交互、公共安全、法律实施等诸多领域具有巨大的应用前景，成为了当前机器视觉与图像处理领域中的一个活跃课题。从本世纪初至今，人脸识别技术取得了飞速的发展，逐步走向了商用领域。但是人脸识别系统的应用环境具有很大的不确定性，当采集的人脸图像出现光照、姿态、表情等变化时，这些人脸识别系统的识别性能就会急剧下降。因此如何设计出在上述复杂条件下保持高识别率和高鲁棒性的人脸识别算法是人脸识别研究中的热点。影响人脸识别系统性能的因素很多，特征提取阶段是其中的关键与瓶颈。本文在前人的基础上，重点研究了在复杂条件下的局部特征提取方法。本文的主要工作包括以下几点：1)简述了常用的光照预处理方法，总结其优缺点。随后研究了MPCA、LBP、Gabor、等基于光照不变量的局部特征算法，重点介绍了HOG在人脸识别中的应用。通过实验分析了主流特征算法在处理多姿态多表情人脸图像时存在的弊端和HOG特征的优越性。2)为解决HOG提取特征单一的问题，提出了一种基于多尺度的梯度直方图算法MHOG。首先，利用小波对人脸图像进行多尺度分解，然后提取各尺度下的HOG特征，并将所得的HOG直方图序列连接起来作为最终的特征向量用于分类识别，在光照、姿态表情变化的情况下表现出了更好的识别能力。最后将模糊决策思想用于多分类器融合，提出了Fuzzy-MHOG算法，进一步提高了识别性能。在ORL、FERET、Extend Yale B标准人脸库上进行了测试。实验结果表明，本文提出的算法在复杂条件下仍然保持较高的鲁棒性，分别取得了93.67%、68%、60.15%的识别率。