人脸识别是模式识别研究领域中一个热门研究方向。近年来,随着高速硬件的发展以及商业和执法等方面需求的增长,人脸识别的研究和应用取得了长足的进步。但是,在非约束环境,即考虑光照、表情和遮挡物(如眼镜)等因素的影响下,人脸识别系统的识别率和鲁棒性仍然不尽如人意。现实中,人脸图像包含眼镜的情况非常常见,因此,对戴眼镜问题的处理具有重要的现实意义。目前为止,针对戴眼镜问题的识别方法主要是通过检测并移除眼镜进行识别,或利用处理普通遮挡问题的基于局部特征提取的方法进行识别。但是,这些方法都有其不足之处。为了有效改进人脸识别系统的识别率以及鲁棒性,本课题将着重探讨戴眼镜人脸识别方法。本文首先提出了非均匀局部Gabor二值模式(Nonuniform Local Gabor Binary Pattern,NLGBP)方法。该方法利用局部Gabor二值模式来表征人脸图像,从而能提取图像的多尺度多方向的特征信息以及在识别时能够对光照不敏感并对噪声鲁棒。然而,局部gabor二值模式表征的第一步进行局部划分时,划分策略只是简单的均匀分割。针对戴眼镜问题,本文提出了一种新颖的非均匀区域划分策略,该策略在保证充足的图像空间信息的获取的同时还能够对内容信息区别对待,从而增强利于判别的特征信息的作用,并减弱眼镜等不利于判别的干扰信息的作用,最终提高系统的识别率及鲁棒性。NLGBP方法,虽然能较好的解决戴眼镜问题,但是其试图通过构建一个最优单一分类器来获得最好的识别率,然而,由于人脸识别的复杂性,单一分类器往往弱于多分类器的分类效果。因此,文章对NLGBP方法进行了更进一步的改进,提出了随机非均匀局部Gabor二值模式(Random Nonuniform Local Gabor Binary Pattern,RNLGBP)方法。该方法结合NLGBP方法和目前研究热点的可构建多分类器的随机子空间方法,首先利用NLGBP方法获取图像的局部直方图,然后仿照随机子空间方法对局部直方图进行随机采样构建多个子分类器,最后将子分类器融合为总分类器用于戴眼镜的人脸识别。RNLGBP方法充分利用了随机子空间方法和NLGBP方法的特点,互相补充对方的不足,同时最大化各自的优势从而最大限度的提高最终的识别效果。最后,基于FERET人脸库和Yale人脸库的实验表明,本文提出的NLGBP方法和RNLGBP方法在处理戴眼镜问题上与其他的一些方法相比具有更好的识别效果。