作为生物识别技术之一的人脸识别,以其隐蔽性、便捷性、安全性等优点成为模式识别领域的一个研究热点,受到了广泛的关注。针对人脸图像识别准确率不高,特征提取不充分等问题,通过改进局部二值模式算法并与深度学习相结合,来建立一种人脸识别的新方法,以提高人脸识别准确率,论文主要研究成果如下:1)基于改进的LBP算法的人脸图像特征提取针对传统局部二值模式(Local Binary Pattern,LBP)无法提取到更多有效特征的问题,在对原始LBP算法及其一系列改进算法深入研究以后,提出了一种井字形邻域的LBP算法,将原始8邻域的采样范围扩展成16邻域的采样范围,能够提取到表达能力更强的特征,更深刻地反映相近像素间的相关性,同时避免冗余信息。2)基于Dropout的防止过拟合的方法针对深度结构的深度学习模型容易出现过拟合的问题,提出在训练深度信念网络(Deep Belief Network,DBN)时,加入Dropout技术,通过在每次训练时以一定的概率随机冻结一部分神经元的参数值,将其输出置零,来不断更新网络结构,避免了网络对于某一特征的过拟合,提高网络的泛化能力。3)基于LBP和深度信念网络的人脸识别方法针对DBN不能充分利用人脸局部特征的问题,将所提取的井字形LBP特征作为DBN的输入去训练深度网络,同时加入Dropout技术,最后将训练好的网络用于人脸图像的分类识别。通过人脸库的实验验证了所提算法的可行性,并且取得较高的识别率。LBP算法和深度信念网络的有效结合,能够提取到更具判别性的人脸图像局部纹理特征,在人脸识别过程中取得比较理想的识别效果,为人脸识别课题的特征提取和分类识别两方面的研究开拓了新的思路。