人脸识别技术是近几十年来模式识别与计算机视觉领域的研究热点问题之一，在公共安全和日常生活中有着非常广泛的应用。特征提取技术是人脸识别中其中关键、核心部分，提取的特征往往决定最终识别性能。局部二值模式(LBP)作为一个简单而有效的局部特征提取算子，获得了广泛的关注。本文从LBP的基本理论开始，针对人脸识别领域中主流的二值局部特征描述技术展开对比研究，进行了归纳总结。重点研究了领域选择、幅度量化和模式定义等影响图像局部特征描述的关键技术。结论：1）邻域选择时，选用能提出局部各向异性结构信息且具有尺度可变特性的邻域（如椭圆形邻域），可以更有效地描述图像的局部特征；2）恰当的幅度量化(如三值化，多值化)方法可以有效地提升算法对光照和噪声的鲁棒性；3）通过模式定义（如统一模式），在保持或提升算法识别性能的同时能降低特征的维数，提高运算效率。研究了在图像变换域中进行局部二值编码的特征提取技术，对经过方向、导数、梯度、Gabor小波等变换后的局部差异信息进行二值编码，将其作为二值局部特征对人脸进行分类识别，得出了：1）图像的方向，导数以及梯度等信息对人脸识别非常重要，有效的提取这类特征可以极大地提高算法性能；2）在Gabor小波域采用二值编码技术提取出的特征具有较好的判别性，以及对光照，表情，年龄等的鲁棒性等结论。本文还对几种典型的二值编码算子做了对比研究。对比验证了在图像域的改进算子和在变换域进行局部二值特征提取的不同的识别效果。并综合全文，指出了在图像的变换域的二值编码技术研究将会是一个长期的热点。二值编码技术是一种特别的局部特征提取技术，本论文对于二值编码技术及其在人脸识别中的应用有着重要的理论和实际的意义。同时，本课题研究对未来在人脸识别领域的二值编码技术研究具有重要的参考和借鉴意义。