人脸识别一直是身份识别的热点研究领域。特征提取和分类识别算法是人脸识别中的两大问题,但非特定情境下很容易受到表情、姿态、饰物、头发以及光照等因素的影响。本文主要针对人脸的局部纹理特征及深度信念网络模型进行研究,主要工作如下:1、提出了一种基于TPLBP特征和深度信念网络人脸识别算法模型。该模型先提取人脸的TPLBP特征;再采用深度信念网络对之进行学习和降维;最后采用Softmax分类器对人脸进行识别分类。模型利用TPLBP特征克服了 LBP特征易受噪声干扰的问题。通过分析和实验确定出TPLBP的参数及DBN隐含层节点数,最终获得较好的识别效果。2、提出了一种加权的局部三值模式(WLTP)算法,并结合深度信念网络给出了一种新的人脸识别算法。该算法先求取人脸的WLTP特征并利用PCA对之进行预降维,之后再由深度信念网络和Softmax进行学习和识别。WLTP算法根据人脸不同区域对识别率的贡献度赋予不同的权值,既发挥了 LTP算法对光照的鲁棒性,又给予不同区域以合理的权值,提高了识别效率。3、基于CMUPIE人脸库和FERET人脸数据库,对两种人脸识别算法进行了训练和测试,讨论了参数、特征、数据集大小、分块、网络节点数等因素对识别率和速度的影响,给出了实验数据。