社会的高速发展和科技的巨大进步在给人类带来诸多好处的同时也提出了许多新的挑战，如何高效地完成社会成员的身份认证和识别一直是人们需要解决的问题之一。近20年来，随着计算机及相关成像技术的飞速发展，生物特征识别技术、特别是人脸识别技术吸引了大批研究者投身这一领域，并涌现了大量研究成果。这其中许多方法都着眼于如何在人脸图像中准确提取具有判别力的信息这一问题。人类在分辨人脸等视觉目标时，可以仅凭图像边缘等不完整信息，快速准确地给出识别结果。这一现象说明，图像的边缘包含着丰富的、可供判别的信息。在处理此类问题时，如果对图像的边缘信息进行有效利用，可以达到与使用完整图像信息相近的效果。基于上述原因，在众多人脸识别方法中，出现了以边缘图法（edge map）为代表的、基于图像边缘信息的人脸特征提取和识别方法。此后，为了进一步发掘边缘图像中的信息、提高识别算法的效率，在边缘图法的基础上出现了基于直线段拟合的直线边缘图法（Line Edge Map，LEM）。LEM方法利用简单的折线拟合方法将提取的人脸边缘图像分割为由若干直线段组成的线段集合。这样，在继承边缘图法若干优点的同时，大幅降低了数据存储的复杂度，并更好地对边缘信息进行了组织。但人脸的面部轮廓线在许多情况下呈现出较为明显的曲线特征，使用直线段对其进行拟合，常常会破坏边缘图像中的完整信息。为解决这一问题，人们提出了基于快速曲线拟合方法的抛物线边缘图法（ParabolaEdge Map，PEM）。PEM法将人脸边缘图像分割为抛物线段组成的集合，并利用抛物线两侧原始图像的若干灰度值组成不同人脸的特征。在上述若干方法的启发下，本文提出了新的基于曲线表示的人脸特征提取方法，并在此基础上进行了以下研究：1.人脸图像边缘线条在某些特定区域中呈现出较为复杂的形态，如果使用直线和抛物线等简单类型的线段进行分割，容易破坏原本连续的曲线特征，弱化特征的表现力。为此，本文提出了基于高次曲线拟合的人脸特征表示方法。利用结构拟合（Constructive fitting）方法，在特定区域内使用高次曲线描述人脸边缘线的特性。获得曲线段集合后，在原始图像中这些曲线所在位置附近划出一定范围，将这些划定的范围作为曲线特征的相关区域加以分析。在对相关区域进行分析的过程中，首先将其分成若干子块。对子块中的灰度分布情况，使用极惯性矩提取其中的不变特征，度量其局部纹理特性。与前述几种方法相比，本文的方法能更好地利用边缘图像所反映的原始图像中的灰度分布信息。文中使用FERET人脸图片库进行的相关实验也表明，该算法在提取人脸特征的完整性及对灰度信息的有效利用等方面均优于之前的几种方法。2.人脸的表情变化对人脸识别算法的影响是显而易见的。在某些情况下，同一人在不同表情状态下所摄图像呈现出的局部差异有时甚至超过了不同人脸在相同表情下的差异。为了应对这种情况，一种方法是获取足够数量的人脸不同种类表情的图像。但在实际应用中，受客观条件限制，人们所采集的人脸图像样本往往无法涵盖可能出现的表情状态。为了更全面有效地体现人脸复杂的表情变化、减弱表情变化给识别工作带来的影响，可以对已有表情数据进行再处理，找出其中隐含的表情变化规律，并利用这些规律，通过已知图像合成出新的人脸表情图像。本文采用基于曲线的人脸表示方法，将人脸边缘图像分割为曲线段集合的形式。在对不同表情条件下的曲线集合进行配对后，以相应的物理模型分析造成曲线变化的内在因素，并对其进行量化分析。同时，对曲线两侧灰度分布的变化情况加以度量。在对一定数量的样本图像进行分析计算后，可以找到对应于某种特定表情变化的规律。这样，当只有某人的中性表情图像时，可将已经获得的特定表情变化规律作用于经过曲线表示处理的中性人脸图像，由此获得的新图像可在检索、识别等后续工作中替代该人脸在出现表情变化后的真实图像。本文利用FERET和AR人脸图片库对算法效果进行了检验。在实验中分别使用若干人的微笑、愤怒等表情图像与其中性图像构成样本对，并计算相应表情的变化规律。在随后的比对实验中，合成的表情图像能有效扩展样本库对待测样本的覆盖范围，提高了识别算法对待测样本出现表情变化的适应性。本文为人脸的检索和识别工作提供了一种新的、且简单有效的特征表示方法。同时，针对人脸表情变化对识别带来的困难，提出了相应的解决方案，拓展了该领域的研究思路，并在实验中取得了较好的结果。