人脸识别是图像处理、模式识别和人工智能研究的重点领域之一，其目的是利用计算机根据人脸的特征来鉴别人物的身份，在商业、安全、身份认证、法律执行方面具有广泛的应用。基于统计特征的人脸识别是最受关注的人脸识别技术之一，它克服了其它人脸识别方法的种种缺点，利用完备的统计学知识，根据人脸的统计特征就可有效地进行人脸识别。但是由于人脸模式的复杂性和多变性，在姿态、光照和表情等条件变化下人脸识别率会严重下降。因此，在特征提取中注重鲁棒性，同时兼顾识别效率的人脸特征提取技术是当前研究的热点。本文主要针对人脸特征提取技术进行了研究，研究的重点是将全局特征方法与局部特征提取方法相结合，目的是在提高人脸识别率的基础上，针对姿态、光照和表情等条件变化，进一步提高人脸特征提取和识别算法的鲁棒性。本文的主要工作和创新点如下：(1)在研究了局部二值模式算法的基础上，将其与主成分分析算法相结合，提出了一种基于(2D)~2PCA-LBP的人脸识别方法。该方法在提取了人脸纹理特征信息的基础上，用(2D)~2PCA方法进行降维。LBP算法具有旋转不变性，对光照变化和姿态变化具有一定的鲁棒性；(2D)~2PCA是PCA算法的改进，可以对图像进行最大程度的降维。实验结果表明，该算法可以提高人脸识别率，并且对光照、姿态和表情变化有一定的鲁棒性。(2)研究了压缩传感算法，针对人脸识别对遮挡、表情和光照等因素的鲁棒性问题，提出了一种基于PCA特征基压缩传感算法的人脸识别方法。该方法首先利用(2D)~2PCA方法将人脸图像变换到PCA特征域，将提取的图像行列两个方向的特征作为压缩传感算法的超完备基；然后通过求解最小化l1范数，寻求图像在该超完备基上的稀疏表示，以得到一组最优的稀疏系数来重构各类图像，通过求取测试图像与重构图像的最小残差进行分类识别。该方法突破了传统方法仅用一类训练样本进行识别的缺陷，将所有训练样本同时用来进行分类，分类效果得到改善，识别率显著提高；同时，将时间复杂度降低到了线性阶。研究表明，只要训练样本足够充分，就能有效地表示测试样本的所有情况，在姿态、光照、表情变化比较大的情况下，识别率得到明显改善。