随着技术的进一步成熟和社会认同度的提高，模式识别已被广泛用于政府、军队、银行、社会福利保障、电子商务、安全防务等领域。人脸识别技术是目前模式识别领域热门的研究课题之一，在身份验证、智能安防、移动支付等领域都得到了成功应用。由于在识别过程中人脸图像会受到表情、姿势、角度、光照等多种复杂因素的干扰，所以目前这一研究课题还没有公认的最快速、有效的识别技术，人脸识别精度仍不能满足实际需求。本文主要从融合多特征信息的思想出发，提出了特征提取改进算法、相关的特征融合算法以及快速分类识别方法。重点研究了自适应于人脸的特征提取编码算法和所提取分层数据的筛选加权过程，以及融合适用于多种光源人脸图像的特征提取算法与快速分类识别的方法。具体研究主要分为以下两方面进行。第一，一种基于LTP自适应阈值的人脸识别方法。针对LTP自定义阈值的优化问题及普适性问题，首先定义图像特征各邻域内像素对比值的离散度为自适应阈值并进行LTP编码，然后根据信息熵权重融合编码后的分层特征，最后分类特征向量完成识别。实验结果表明，此方法有效解决了LTP自定义阈值的不足，同时对光照变化和噪声更加鲁棒，在一定范围内提高了人脸识别的精度。第二，一种融合E-GV-LBP和FKNN改进算法的近红外人脸识别方法。为实现复杂光照变化下的人脸识别，首先对图像进行多尺度、多方向的Gabor小波变换；然后提取同时包含空间、尺度、方向信息的LBP编码特征；最后引入基于空间分布域的FKNN改进算法，对所提取特征数据进行快速分类。实验结果表明，不论是在近红外光还是可见光变化下进行的人脸识别，相较于未改进和未融合两类算法的方法，本融合改进方法均在提高识别准确率的同时缩短了相应的识别时间。