目前,人脸识别技术已经开始应用于一些特定的商业场景如上班打卡、火车站人脸辨认等。而面对非受控环境下的应用场景,多种环境干扰下的共同作用将大大限制人脸识别效果的性能。因此本文将从姿态变化和多特征融合两方面对人脸识别算法做了如下研究:1.人脸姿态变化是影响人脸识别性能的重要因素之一。为了应对姿态变化带来的识别率下降问题,几乎所有的方法都需要通过人工或深度学习来计算头部的偏转角度来处理不随姿态变化的人脸识别。我们提出了一个新的网络,包括一个主干Convolutional Neural Network(CNN)和一个映射模块可以自动地将不同的姿态投影到共享的潜在深层特征空间中。主干CNN和映射模块通过端到端的方式共同训练。通过添加的映射模块,我们无需进行偏转角的计算,简化了识别过程。在Celebrities in Frontal-Profile(CFP)和IARPA Janus Benchmark A(IJB-A)两个数据库上的试验,验证了该网络在人脸识别方面的优越性。2.多特征融合方法都遇到了两个问题:特征依赖问题和基于后验分布的融合假设问题。为了解决上述问题,我们基于多特征间相关性的假设,提出一种将多种特征融合方法,利用隐马尔科夫链的结构来衡量不同特征提取方法间的相似度,并通过最短路径的方法求解最大后验问题得到最终的识别结果。在5个数据库上的实验结果表明,该方案在无约束环境下具有良好的性能,特别是在人为干扰和多重噪声干扰下。