自动人脸识别具有重要的理论研究意义和实用价值，自上世纪60年代以来，人脸识别相关的各种技术得到长足的发展。在受控条件下的人脸识别算法已经能取得很好的性能，并且出现很多实用系统。然而在非受控条件下，这些人脸识别算法还不能达到实用的需求。本文致力于在无约束条件下设计鲁棒性好的人脸识别算法，并通过在LFW人脸库下的测试验证了算法性能。本文的工作成果主要分为以下几个部分：（1）本文提出了基于决策融合的人脸识别算法框架。由于在无约束场景下，人脸受姿态、光照、遮挡和表情等各方面因素的影响，变化非常复杂。在这种情况下，如果仅仅使用某一种人脸特征难以取得很好的识别效果。在本文提出的框架中，可以使用多种人脸特征。这些特征可以相互补充，构成对人脸的完整表达，从而改善人脸识别算法的性能。如何有效的利用这些特征是本文考虑的关键。本文提出基于分类器相关性的分类器集成方法，按照分类器相关性的定义，将相关性小、信息互补的分类器组合在一起构成一个强分类器提升分类的性能。（2）本文使用距离学习算法来取代普通的欧式距离。通过距离学习后，相同身份的人脸图像之间的距离被减小，而不同身份的人脸图像的距离被增大。因此，学习后的距离比欧式距离更具有针对性，能更好的区分复杂变化的人脸图像。（3）为了进一步提升识别算法的性能，本文考虑了姿态的变化对算法性能的影响。为了处理姿态的变化，本文采用“分为治之，各个击破”的算法策略来减小姿态的干扰。文中利用姿态估计算法将人脸图像的按照不同的姿态分开，对每种姿态组合单独训练和测试，使得每个分类器只针对某一种姿态组合，从而提高分类器的性能。本文在LFW人脸库上根据规定的测试协议进行了实验。实验证明，基于决策融合的人脸识别方法优于特征融合的方法。同时，距离学习算法和姿态分类都改进了人脸识别算法的性能。通过分析，本文得出在人脸识别问题上应该针对性地使用与样本有关的统计距离；此外，对于不同的姿态人脸也应该使用不同特征进行描述。