随着人工智能在多学科多领域的研究和发展,数字图像处理技术也变成了热门话题,并逐渐渗透进人们的生产生活中,运用到了各个领域,成为当前计算机领域一个重要的研究方向。为了实现高效的人脸识别,提高相关算法的抗干扰性,保证人脸的完整性和真实性,本文研究了基于D-S证据理论和局部领域模式的人脸识别算法。主要研究内容如下:局部二值模式（LBP）能够更好的度量局部图像的纹理特征,即使在光照敏感和姿态各异等情况的影响下,其识别效果也比较好。本文首先对局部二值模式和它的改进算法进行了概述,在此基础上提出了局部邻域模式（Local Neighborhood Patterns,LNP）。首先,将人脸数据库中的图像编码按一定顺序的分成一些区域模块,然后把每一个中心点像素值和周围邻域内的像素值看成整体作为一个向量,计算出每个区域中心向量和周围邻域像素点向量之间的距离,最后,采用环形特征区域提取的方法,使用最近邻分类器进行实验。针对LNP算法对光照变化不是很敏感的结果,本文又将D-S证据理论融合进LNP人脸识别算法中,把预处理过的图像进行卷积,得到水平和垂直的边缘图像,然后用LNP方法提取有用的特征向量,计算出样本和各个类的距离,再用D-S证据理论进行融合,得出做好的决策。在Extended Yale B数据库上进行了实验,结果表明,该方法不但能提高光照、姿态、表情变化等影响下的鲁棒性,还具有非常好的识别率。