生物特征作为人类个体的内在属性,具有很强的个体独立性和区别差异性。因此,如何有效地将个人的生物特征应用于计算机智能信息处理应用领域吸引了广大研究学者们的浓厚兴趣,从而能够使得计算机能够更好地具备类似于人类的感知识别能力。现阶段,应用于机器识别的人类生物特征识别主要包括人脸识别、指纹识别、虹膜识别和掌纹识别,并广泛应用于安全验证系统,视频会议,人机交互系统等。人脸识别主要分为图像预处理,生物特征提取和模式识别等三个部分。本文主要对应用在人脸识别的特征提取和分类识别技术进行了研究,重点分析了在人脸识别问题上使用支持向量机的分类性能。在人脸图像的预处理阶段,本文主要采取了几何变换,直方图均衡和关键区域增强等方法。这些工作有效地对人脸图像进行了归一化工作,改善了图像质量,降低了计算复杂度,从而有利于提高后续算法的实施速度和收敛速度。在特征提取阶段,文中讨论了人脸图像全局特征和局部特征的提取方法,包括基于图像灰度的全局特征提取方法,基于小波滤波器变换的特征提取方法,基于局部二值模式的特征提取方法以及基于尺度不变性的特征(SIFT)变换提取方法。并重点介绍了本论文中所采用的基于尺度不变的局部特征(SIFT)变换方法,并在实验中将其与不同的方法进行了性能对比。在分类阶段,本文着重于研究基于支持向量机(SVM)在人脸识别分类阶段的性能。基于人脸识别是一个多类分类问题的事实,为了减少训练时间,本文提出一种新的基于二叉树结构的支持向量机分类策略,在减少运行时间的同时也保证了分类的有效性和稳定性。我们在ORL以及Yale人脸数据库上进行了人脸识别的的仿真实验,比较了不同的特征提取方法在人脸特征上的表征能力。将本文提出的基于尺度不变性的特征提取方法和支持向量机相结合进行人脸识别分类,实验结果充分证明了该方法的有效性。