人脸识别是典型的图像模式分析、理解与分类计算问题，具有重要的理论研究价值和广阔的应用前景。近年来，基于局部模式及纹理特征的人脸识别取得了很大的成功，针对光照、姿态变化和局部形变更加鲁棒的局部建模方法成为主流方法之一。 基于局部二值模式(LBP)纹理特征的人脸识别方法取得了显著的效果，但在剧烈光照和噪声等复合极端成像条件的影响下，分类性能急剧下降。本文从图像的纹理特征出发，对基于LBP特征空间的人脸识别进行了分析与研究，并且针对LBP特征在人脸识别过程中存在的局限性提出了相应的改进方案，主要工作包括以下几方面： 1、针对剧烈光照等问题，采用了Gamma校正、差分高斯滤波(DoG)以及对比度均衡化三种光照预处理方法，以初步减少极端成像条件对人脸图像的影响。 2、通过对LBP定义的扩展和优化，提出了一种改进的局部三值模式(LTP)(Local Ternary Pattern，简称LTP)的纹理特征提取方法。LTP比LBP增加了一个-1量化阈值，对光照变化和噪声更加鲁棒，并继承了LBP的几乎所有的优点，极大的增强了局部纹理特征的分类性能。 3、针对特征空间的高维性，同时也为了提取最优分类向量，本文利用PCA跟Fisher线性判别(Fisher Linear Discriminant，简称FLD)相结合的Fisherface方法来实现特征空间的降维和最优鉴别分类。 4、结合光照预处理方法、LTP特征及Fisherface方法在标准人脸库上进行综合实验，以验证这些方法对LBP特征空间分类性能的改进和增强，并对实验结果进行比较和分析，表明了这些方法的有效性、正确性和可行性。