近年来,随着科技的进步,基于生物的身份识别技术被大量应用于身份识别系统中。如基于虹膜的身份识别、基于指纹的身份识别、基于人脸的身份识别。人脸识别主要通过对人脸特征的分析来确定人的身份。它具有自然性、方便性、非接触性的特点,是最简单自然的一种识别技术。虽然在智能安防、考试系统、交通管理等方面得到了应用,但人脸识别的准确率仍然受姿势、光照、噪声等外部因素的影响且传统的算法提取的人脸特征判别性不强,还过多的依赖于人工选择。所以,如何有效的确定人的身份,降低外部因素的影响,提高识别率,在人脸识别研究中有着重要的意义。通过对现存人脸识别算法的研究,针对现有人脸识别研究所存在的问题提出了一种自适应的LTFP特征提取算法以及一种自适应LTFP和深度信念网络(DBN)的人脸识别算法,并通过实验验证自适应LTFP和DBN算法性能,最后利用本文提出的算法设计实现了一个身份识别系统。下面介绍本文的主要工作:首先,通过研究局部二值模式(LBP)与局部三值模式(LTP)对人脸图像进行特征提取的过程及存在的问题,提出了一种改进的LBP算法—基于自适应LTFP算子的特征提取算法。它是先对人脸图像特征进行自适应阈值的LTP特征提取,再利用Fisherface方法获得图像特征。实验表明本文提出的算法提取的图像纹理特征更加清晰,更具有判别性。其次,针对识别算法中对光照等外界因素较敏感,且特征提取过程中受主观因素的影响较大,提出采用深度信念网络(DBN)来对人脸图像特征进行自动学习。而针对如果单独采用深度信念网络又容易产生忽略图像局部特征的问题,提出了将图像的自适应LTFP特征作为DBN输入进行神经网络训练,使得DBN网络即能够有对光照、噪声等因素的鲁棒性,又同时保留DBN网络自上而下自助学习数据特征的特点。实验表明,该方法能有效提取图像中的人脸特征,准确的识别人脸。最后,设计并实现了人脸识别系统。首先通过AdaBoost算法对采集的图像进行人脸检测,然后将检测到的人脸图像进行大小归一化、直方图均衡化等处理,再运用自适应LTFP算子对图像进行特征提取,获得特征空间,最后将其和DBN网络结合进行训练识别,实现身份识别。