人脸识别技术作为图像识别技术的具体应用,已经成为模式识别领域研究的热点,目前该领域已取得了许多成果。同时人脸验证和性别识别作为人脸识别领域的重要分支,近年来也取得显著突破。人脸验证与性别识别技术作为二类性问题,其关键算法技术在目标跟踪识别和身份验证系统中的应用已相当广泛,有着巨大的研究价值。本文的研究工作主要是基于神经网络技术开展的。首先,本文介绍了人脸识别技术的发展概况、人脸识别的主要方法和BP网的工作原理及改进算法。其次,在人脸验证方面,基于普通BP神经网络基本原理及其算法改进思想,采用四种方式实现了二维塔式神经网络的训练和仿真,然后基于作者提出的神经网络在人脸验证上的应用原理,将其应用于人脸验证试验中。最后,在性别识别方面,本文对普通BP网进行改进,将PCA的神经网络实现算法融合至普通BP网的第一层中,从源头的特征提取上来加以考虑样本中各特征的对比份量,并将其应用于性别识别领域中。其中以上的新算法模型分别与传统“特征提取+BP网分类器”的模型和“子空间特征提取+最小距离分类器”模型进行了比较,并取得良好的效果。主要改进型工作如下:1、遵照LAUSANNE协议提出了神经网络在人脸验证上的应用方法。并在基于客户子空间方法的基础之上,利用测试图像的投影重构图像与原图的差值的二类性,提出一种“Cs_PCA+塔式神经网络”的人脸验证新模型(Cs_Pyramid)。并且在ORL人脸库上与传统“Cs_PCA+BP”模型进行了比较,分析了其性能优势。对LAUSANNE协议进行必要补充,提出人脸验证的类内验证应用。再次进行人脸验证试验,结果表明神经网络在类内验证方面也有着一定的优势。2、提出一种新的分类器模型,称作“PCABP网”。将基于PCA的GHA算法融合应用于BP网的权值训练过程中,因此BP网首层在起到特征提取作用的过程中,通过梯度下降算法优化了特征向量空间;从而在源头上考虑到了分类识别能力。整个BP网络的训练采用弹性梯度下降算法,有着一定的速度优势。作者在Feret人脸库中针对两类图像进行了性别识别实验,①PCABP网针对普通BP进行比较,分析其性能优势,②传统的分类模型与神经网络进行比较,分析并解释其各自的应用优势。传统特征空间分离转换(EST)在处理分类问题时,往往遇到样本维数太大的问题,以至于相关性差值方阵维数过大,计算特征向量困难;本文成功解决了这一问题,并将其作为特征提取的一类重要工具。