随着信息科技的迅猛发展,计算机技术和网络技术的更新换代拓展了图像应用领域。人们对远程会议、电子商务、远程教育等技术的需求不断增加,相关技术也得到了快速的发展。人脸图像识别是模式识别研究领域的一个非常活跃的研究方向,它在安全、商贸和经济领域都有广阔的应用前景,诸如刑侦破案、证件验证、人口控制和视频监视等。为了满足这方面的需求,一个安全可靠,时效性高的身份鉴别系统成为相关人士的迫切需求,以期为自身提供放心的安全保证,使自己的权益免受非法的侵害。然而人脸图像在获取、压缩、处理、传输、存储和显示等过程中会带来不同程度和类型的失真,而且考虑到人脸图像的特殊性,人的表情、头部的姿态、眼睛的开闭、各种饰物、头发的遮挡等多种因素也会对人脸图像的质量造成影响,低质量的人脸图像势必对人脸识别系统的性能造成负面的影响,因此在相应的处理和应用领域建立有效的人脸图像质量评价体系具有重大意义。人脸图像质量对人脸识别等各种与人脸图像相关的系统的执行性能具有重大的影响,因此对人脸图像质量评价的研究也逐渐得到了人们的重视。由于影响人脸图像质量的因素的特殊性,而且影响人脸图像质量的因素众多,评价人脸图像的方法与传统的图像质量评价有很大的不同。在本文中,主要对影响因素中的模糊情况和光照变化对人脸图像质量的影响进行了评价。针对图像模糊的情况,定义了图像平均能量的概念,通过计算人脸图像在频域内的整体能量分布情况作为平均能量的数值,以此值来评价该图像的模糊程度。其次,针对光照变化的因素,以人脸图像的左右对称程度作为参考进行评价,首先分别对质量好和质量差的人脸图像的若干左右对称子窗口进行局部二进制模式(Local Binary Pattern, LBP)特征的提取；把提取到的LBP特征值作为训练样本,利用AdaBoost算法对这些样本进行训练和测试,最终得到对图像对称情况鉴别力最强的若干个特征；这些特征对应着不同的子窗口,通过计算这些左右对称子窗口的灰度直方图的差值,得到图像的质量评价分数。通过实验的验证,本文提出的这两种方法对人脸图像的质量评价具有较好的效果。