目标识别尤其是人脸识别系统的性能在很大程度上受到光照变化的影响。本文基于低照度图像增强方法,系统研究了人脸识别技术中的光照补偿方法,并设计了基于卷积神经网络的人脸识别系统对所提方法进行验证。主要研究内容如下:首先,根据人脸识别的研究现状,系统分析人脸识别中存在的问题,其中光照问题对人脸识别系统的性能造成较大的影响,在总结目前人脸识别中光照问题的解决方法基础上,系统研究了图像增强方法以及基于卷积神经网络的人脸识别方法。其次,针对基于Retinex理论的低照度图像增强算法中光照图像估计问题,提出一种基于YCb Cr颜色空间的低照度图像增强方法。该方法将原始低照度图像从RGB（Red Green Blue）颜色空间转换到YCb Cr颜色空间,提取该空间中Y分量构建为原始光照图像₁L（x,y）,并对₁L（x,y）进行Gamma校正得到增强的光照图像₂L（x,y）,经Retinex模型得到增强图像R（x,y）,采用多尺度细节增强方法对图像R（x,y）进行细节增强,得到最终增强图像_eR（x,y）。实验结果表明,与现有主流的图像增强方法相比,所提方法不仅能有效提升亮度,而且能够避免亮度和色彩失真,增强了图像的细节信息并获得了更好的视觉效果。同时,搭建外部光照补偿系统,该系统以STM32单片机为控制核心,LED作为光源,通过无线方式接收人脸识别系统调光指令进行调光,解决人脸识别系统图像采集时的光照变化问题。最后,在上述方法的基础上,搭建一个基于卷积神经网络的人脸识别系统,分别在距离摄像机2米、3米和4米处进行不同环境照度条件下的人脸识别实验,研究不同距离和照度对人脸识别率的影响,并将上文提出的Retinex低照度图像增强方法和外部补光系统应用于该人脸识别系统,对其人脸识别率进行对比分析。实验结果表明:与未增加补光方法的人脸识别系统相比,在2米处照度值为10.9lx时,该系统的人脸识别率提升了69%,在3米处照度值为15.6lx时,人脸识别率提升41%。