在当今信息化时代,如何准确鉴定一个人的身份、保护信息安全,已成为一个必须解决的关键社会问题。人脸识别技术是最有发展潜力的生物特征识别技术之一,由于其具有简单直观、不易复制、安全性高、操作容易等特点而在身份验证和识别场合具有巨大的应用价值和广阔的应用前景。而特征提取的好坏对人脸的正确识别有着至关重要的影响,因此,如何提取稳定有效的人脸特征,使得提取的特征尽可能多的含有有利于识别的类别信息,以及如何将多种不同的特征相结合来实现更为理想的分类结果等都是现阶段人脸识别的研究热点。通过对现有人脸识别相关文献的阅读,本文在总结前人研究成果的基础上,深入研究了基于局部二值模式和深度学习的特征提取方法,并在此基础上做了以下工作:(1)针对选用一种特征不足以捕捉人脸图像多方面的识别信息问题,综合考虑局部二值模式(LBP)的改进算法ELBP与离散余弦变换(DCT)的优缺点,提出了一种将ELBP与离散余弦变换(DCT)相结合来进行特征提取的方法,该方法将人脸图像经DCT变换后的少量低频系数作为人脸的频域特征,将人脸图像中眼部和嘴部区域的ELBP特征作为人脸的空域特征,并使用PCA方法对所提取的空频域特征进行有效融合,得到更有效的人脸特征,通过在ORL人脸库和Yale人脸库上的实验验证了该方法的有效性。(2)针对深度信念网络(DBNs)忽略了图像局部结构,难以学习到人脸图像的局部特征以及网络训练时间过长等问题进行了研究,提出将LBP特征作为DBNs的输入,并在DBNs的训练过程中引入极限学习机(ELM)来加快DBNs的训练速度,最后用训练好的网络进行分类识别。在ORL人脸库和FERET人脸库上对不同样本规模和不同分辨率的图像进行实验,结果表明:与单独采用LBP或DBNs提取特征的方法相比,该方法取得了较好的学习效率和识别效果。