随着现代科技的快速发展，生活智能化程度不断提高。各种智能型系统已被应用到各行各业。在众多智能系统中，自动身份认证系统由于其应用范围广，在业界已受到极大的关注。特别是基于人脸识别的身份认证系统，比起基于指纹和虹膜的认证系统，它更加快捷、方便，同时对用户友好，已逐渐成为关注的重点。近年来，很多企业和科研单位都推出了自己的人脸识别系统。但这些系统多数是针对某种的特定环境而开发的，很大程度上缺乏通用性。其主要原因是这些系统中的人脸识别算法对光照变化和姿态变化非常敏感，现有算法一般只能克服这两个因素中的一个，而不能同时消除光照和姿态对整个系统的影响。因此，对人脸检测与识别技术进一步研究是非常有必要的。基于上述人脸识别系统的前景和局限，本文将从多角度对人脸识别技术进行深入的研究。本课题关注的人脸识别技术主要针对监控系统中的视频图像序列，对实时性有较高要求，因此本文算法不仅克服光照和姿态的对识别效果的影响，同时还注重提高人脸识别系统的速度。本文主要工作包括：1、基于肤色模型和Adaboost算法的人脸检测框架：本课题中视频图像大小为720×560，直接利用Adaboost算法进行人脸检测很难达到实时性要求，为此，本文提出一种多阶段的人脸检测方法。首先利用肤色模型进行人脸预检测，找到图像中可能出现人脸的大概区域，然后再利用Adaboost算法在预检测区域进行精确的人脸检测。2、基于EHMM的复杂光照下人脸识别算法：为了克服人脸识别中的光照变化和姿态变化的影响，本文提出嵌入式隐马尔可夫模型（EHMM）和局部二值模式（LBP）和相结合的人脸识别算法。EHMM模型利用图像分块的思想，不但描述了局部的图像块信息，而且从整体上描述了不同图像块之间的关联关系。该模型很好的描述了人脸特征，能有效克服人脸的各种姿态变化。对于光照变化的影响，本文首先利用LBP算子抗光照的特点将各种光照条件下的人脸图像转化为二次特征图，对人脸图像进行光照均匀化；然后在二次特征图中利用离散余弦变换（DCT）提取图像作为EHMM中的局部的图像块信息。实验证明，二者结合提高了人脸识别在复杂场景中的准确率。