人脸识别是当前模式识别领域研究的热点和重难点之一,经过半个世纪的研究,取得了长足进步。一些系统在约定条件下性能很高,甚至达到实际应用的要求。但当应用环境变得复杂多变时,这些系统的性能急剧下降。在非限制条件下,它综合了光照、姿态、遮挡等多种因素,比限制条件更接近真实环境,更具有实际应用价值。但正因为非限制条件的多变性和不确定性,使得人脸识别系统缺乏稳定性,其中非限制条件下的光照问题是人脸识别技术发展的瓶颈之一。而且,现存算法所提取的人脸图像特征判别性不强,且特征的表达方式过度依赖于人工选择,但实际应用中研究者往往不知道如何准确选择和表达。本文针对非限制条件下及光照条件下人脸识别研究所存在的问题,着重围绕LBP(Local Binary pattern)、小波变换以及深度学习算法来进行人脸识别研究,本文主要研究工作如下：(1)针对非限制光照下特征表达能力不足的问题,提出了一种小波变换和LBP对数域特征提取的人脸识别算法。此方法在对数域对人脸图像进行光照补偿,通过离散小波优越的高通特性提取人脸图像中光照不变特征,从而达到光照补偿的目的。然后,利用LBP算子描述光照补偿后人脸图像中的纹理特征,以进一步减少光照影响,增强特征的表达能力和判别性。在Yale-B和CMU-PIE人脸库上的实验结果表明,该方法能有效提高光照变化下人脸识别系统的鲁棒性。(2)针对非限制条件下人脸图像受综合因素影响较大,以及特征提取过程存在过多主动因素干预的问题,提出用深度学习来对人脸图像信息进行自动学习和特征提取,实现非限制条件下人脸图像的准确识别。深度学习模拟了大脑的深度组织结构,能够自下向上自动学习不同层次的抽象特征,而不依赖于人工选择的自动提取特征。由深度学习所提取的特征更有利于可视化,更能表征数据的本质特征。实验结果表明,利用深度学习所提取的人脸图像具有层次性的特征,更有利于非限制条件下人脸识别。(3)针对利用深度信念网络进行非限制条件下人脸识别的不足,提出用LBP作为深度网络的输入,来进行非限制条件下人脸识别研究。当深度网络输入中的人脸图像受光照、表情等因素影响时,会使深度网络可能学习到不利的特征描述,从而降低非限制条件下人脸识别的准确度。而且,深度信念网络在特征学习过程中忽略了图像的二维结构特征,不利于人脸图像表观信息的挖掘。本文将LBP纹理特征作为深度信念网络的输入,使得学习到的抽象特征受光照、表情等的影响更小,并且能有效避免人脸图像结构信息丢失过多的问题。在LFW(Labeled Faces in the Wild)、 Yale-B和Yale人脸数据库上实验结果表明,将LBP与深度信念网络相结合,克服了基于像素特征的深度信念网络的缺点,在非限制条件下表现出了优秀的特征提取能力,实现了非限制条件下人脸图像的准确识别。