人脸识别最终实现的目标是无论在非现实或现实的环境中都能达到百分之百的识别率,从而实现安全防卫系统的要求。随着人工智能领域的发展,人脸识别技术仍然存在许多问题,其中包含了在现实环境中人脸识别对阴影方向、光照方向、精确的人脸方位、面部表情和人的心情等因素的敏感性。这些敏感因素阻碍了人脸识别技术的快速推广和使用,所以提高在复杂情况下的人脸识别的速率和效率具有重要的研究价值。目前大多数的人脸识别算法都有自己的局限性,本文研究了现有的人脸识别算法,并在此基础上,针对传统的人脸识别算法中的缺陷,提出了自己的创新性改进方法。内容如下:第一,为了解决因拍摄时造成的图像模糊、二维Gabor算法的高维度和LDA算法在求解时存在的小样本问题,在文中的第四部分研究出了相应的解决办法即最小二乘方下的改进Gabor与LSSVM的人脸识别法。首先用约束最小二乘方对模糊的图像进行恢复处理,然后用二维Gabor算法分别从5尺度、8方向进行特征提取,其次利用DLDA把矩阵中多余的数据剔除,最后利用LSSVM分类器把目标人脸图片识别出来。由仿真数据可得,本方法可以有效的解决上述问题,从而使人脸识别的精准度得到了提高。第二,针对在人脸分类器中BP神经网络算法具有在训练时易陷入局部极小值、易震荡的缺点和人脸面部图像发生几何歪曲的现象。在文中的第五部分研究出了相应的解决办法即图片旋转变换下的改进PCA与LVQ的算法。该方法运用各级辐射模板对发生歪曲的图像实行标准化,利用结构简单、鲁棒性强的LVQ神经网络进行分类,通过和以前算法的比较,由仿真数据可得。该方法具有结构简单、灵活性强、精准率高的优点。