目前人脸识别技术已经取得了很大的成就,一些经典的人脸识别系统当条件理想时能得到理想的识别效果,但是在非理想情况下,如表情、光照、姿势、视角、遮挡等变化条件对人脸造成影响时,其识别率明显下降,不能得到很好的结果。针对此问题,本文在对现有国内外人脸识别系统研究分析的基础上,利用SIFT算子在非理想条件下对人脸识别有较好识别效果的优势,就怎样能在人脸图像中提取出对表情、光照、以及遮挡等鲁棒性更强的SIFT特征为研究重点,并试图将其运用于人脸识别系统以提高人脸识别率。本文在SIFT特征提取的基础上,针对传统图像分块特征提取方法没有考虑到分块边缘信息以及图像各部分对图像整体贡献度不同的问题,提出基于SIFT的改进分块自适应加权的特征提取方法并将其运用在人脸识别系统中。该方法首先利用提出的重叠分块方法来对人脸图像进行重叠分块处理;之后,提取各个子块的SIFT特征点并用特征向量来进行描述;然后,采用2DICA降维方法来对上一步中得到的特征描述向量降维并根据局部信息熵图谱计算出的局部贡献度来给降维后的特征描述向量进行自适应加权;最后,利用上一步得到的人脸图像特征以及RBF算法来进行训练分类与识别。为了对本文方法所提取的特征进行人脸识别的实验。本文选择在YALE、ORL以及YALEB人脸库中进行实验,分别在有表情变化、光照变化、姿势变化、遮挡变化的条件下进行实验,并且与现有几种常见特征提取方法的实验结果进行了比较与说明,结果证明本文方法与其它描述方法相比在遮挡、姿势、光照以及表情变化条件下有较高的识别率。