近年来，利用机器人或者计算机进行人脸识别已经成为人工智能与模式识别的一个重要研究课题，它涉及图像处理、模式识别、计算机视觉、神经网络及机器学习等多门相关学科。目前有很多的人脸识别系统已经投入了实际使用，并在可控环境下达到了令人满意的水平，但是在不可控条件下还是存在许多困难的问题需要解决，这主要是因为人脸特征会受到许多因素的影响，诸如光照变化、表情变化、遮挡等，其中光照变化条件下的人脸识别问题是在实际应用中需要面对的一个主要挑战。在消除光照对人脸识别的影响方面，提取人脸图像的光照不变特征是一种主要方法，包括梯度特征、商图像、Retinex方法、局部二值模式(LocalBinary Pattern，LBP)等。其中局部二值模式方法因其计算简便、抗光线干扰、判别能力强等优点正引起人们的高度关注。针对以上问题本文作了如下工作:　　 首先，针对LBP算子在求特征值的过程中没有考虑像素原始灰度值这一人脸图像的本质特征，本文提出一种局部指数模式(Local Exponent Pattern，LEP)方法，该方法用邻居像素的原始灰度值代替LBP算子中的像素灰度值大小关系，并将中心像素灰度值加入算子中，且赋予最高权重;因为梯度特征对光照不敏感，它能在一定程度上提高对光照变化的适应能力，因此本文提出了一种两者融合的方法。在Yale B人脸库上的实验表明，与梯度信息融合的LEP方法能在光照变化条件下的人脸识别中取得较好的识别效果。　　 其次，由于LEP方法将LBP对光照单调变化不变性的特征丢失，因在光照变化严重的情况下识别效果并不理想。本文在此基础上进一步提出一种基于像素对比信息的LBP改进方法—局部对比模式(Local Contrast Pattern，LCP)，通过像素对比信息的引入，不仅保持了LBP对光照单调变化具有不变性这一特征，而且能将不同局部区域的纹理具体区别出来，从而提取到更精确的特征。另外，LBP方法在计算特征值的过程中，中心像素的灰度值没有得到利用，本文提出的LCP方法则将中心像素的灰度值考虑在其中，使所提取的特征值具有更强的鉴别能力。　　 最后，在Yale B、PIE、Outdoor人脸库的实验数据表明，LCP方法优于原始的LBP方法、LEP方法及其它类似的LBP改进算法。