در سالهای اخیر مبحث بازشناسی چهره در زمینه های تحقیقاتی مرتبط با بیومتریک، شناسایی الگو و بینایی ماشین بسیار مورد توجه قرار گرفته است. اگرچه روش های مختلفی برای بازشناسی چهره ارائه شده است، اما وجود پارامترهای محدود کننده ای مانند چرخش سر، تغییر حالات چهره و تغییرات نورپردازی، باعث شده که مبحث بازشناسی چهره همچنان به عنوان مسأله ای حل نشده مطرح باشد. با توجه به اینکه کنترل شرایط نورپردازی در کاربردهای واقعی بسیار دشوار است، تغییرات نورپردازی یکی از مهمترین چالش های بازشناسی چهره محسوب می شود. چرا که تفاوت دو تصویر از یک فرد تحت نورپردازی های متفاوت می تواند بیشتر از تفاوت میان تصاویر دو فرد مختلف باشد. در این رساله به مسأله غلبه بر اثرات تغییر نورپردازی در تصاویر چهره پرداخته و روش های جدیدی را در هر سه فاز پیش پردازش، استخراج ویژگی و تطبیق الگو مطرح کرده ایم. الگوریتم های استخراج ویژگیِ ارائه شده در این رساله، به دانستنِ اطلاعات اولیه ای از شرایط نورپردازی چهره و نیز مجموعه آموزشی که شامل تصویرهای گوناگونی از هر فرد در شرایط مختلف نورپردازی باشد، نیازی ندارند. تعیین دسته نوری مبتنی بر روشهای یادگیری، فضایی مناسب برای جبران تطبیقی اثرات نورپردازی در تصاویر چهره ایجاد نموده و جبران آگاهانه اثرات نورپردازی توسط الگوریتم نگاشت نوری تطبیقی، که برای نخستین بار در این رساله مطرح شده است، ضمن حفظ ویژگی های تصویر، بازنمایی مناسبی از چهره در نورپردازی های مختلف ارائه می دهد. استخراج الگوی سایه مبتنی بر تبدیل h-minima، اطلاعات مفیدی را در زمینه شکل سایه و لبه های ناشی از آن ارائه داده که ضمن بهبود عملکرد روشهای موجود، منجر به نوآوری در مرحله تطبیق الگو نیز گردیده است. نتایج آزمایش های مختلفِ الگوریتم های پیشنهادی و مقایسه آن با الگوریتم های مطرحِ موجود در این زمینه، نشان می دهد که رویکرد پیشنهاد شده در این رساله، با نرخ بازشناسی متوسط 3/99% روی پایگاه های تصویری yaleb و extended yaleb از توانایی مطلوبی در بازنمایی تصاویر چهره تحت شرایط نورپردازی مختلف برخوردار است.