计算机自动人脸识别是最重要的生物特征识别技术之一。非控制条件下的复杂光照是单样本人脸识别中尚未解决的具有挑战性的问题。一些现有最高水平的人脸识别系统在实验中通过使用高计算代价的算法来得到高识别率，在实际中这样无法满足大型数据库的人脸检索系统实时性要求。人类的人脸识别能力对光照、姿态、表情等变化因素鲁棒，而且经常仅凭一瞥就能快速识别人脸。模拟人类的人脸识别方式，研究解决上述问题的新方法是本文的目标。本文主要创新点如下:　　 1.研究了人脸识别中的光照问题，提出平面纹理提取算法　　 在研究了人脸识别中的光照问题和现有解决方法后，本文提出了平面纹理提取方法作为前处理对图像进行去光照。与9种图像增强和新近提出的前处理方法比较，平面纹理提取方法能够使同一人的不同光照条件下的图像呈现稳定一致的视觉效果。以FERET千人数据库中最有难度的多光照fc和拍摄时间跨度大的dup2作为两个测试子集，进行了单样本人脸识别实验。采用平面纹理提取算法+LBP的首选识别率分别为84.54％和63.25％，比著名的采用直方图均衡化图像增强法+LBP的首选识别率分别提高了33.6％和13.3％。　　 2.以认知神经科学领域人脸识别模型为依据，提出仿生的分布式层级结构人脸感知模型　　 仿生的分布式层级结构人脸感知模型的特点是基于人脸不同分区对人脸图像进行视觉信息加工，得到不同层次和种类的特征数据。在FERET数据库的单样本人脸识别实验中，基于仿生人脸感知模型对人脸进行双眼、前额、鼻子等5个分区进行特征提取和分区识别。仅使用单一人脸分区(A5)所得的识别率比整体人脸识别的结果在fc、dup2测试子集分别提高了2.8％和10.6％。而且实验证明与整体人脸识别相比，分区识别方法对人脸关键点定位失准具有更强的鲁棒性。　　 3.以认知神经科学领域对熟悉人的人脸识别研究为依据，提出仿生的人脸检索系统模型　　 大脑对熟悉人的识别速度要远远高于非熟悉人识别。研究和总结了大量认知神经科学相关研究后，本文提出仿生人脸检索系统模型。该模型依照仿生人脸感知模型的工作方式进行人脸特征提取，并且在系统中存在自下而上的视觉特征信息加工和自上而下的记忆调控两种机制。不同种类和层次的人脸特征在人脸检索系统中起到不同的作用。以FERET人脸库的fc为测试库，对单样本人脸检索系统的实验表明采用以上提出的两种仿生的人脸识别模型将检索系统计算总量降低到原来计算总量的54.2％，同时将系统首选识别率提高了3.6％。所以能够从整体上显著提高大型数据库检索系统的检索效率。