人脸图像分析和识别是一个具备很高理论价值和应用价值的研究课题。如何模拟人类的视觉特征,通过计算机技术对人脸图像进行处理分析来获得想要的信息,吸引了大批学者从图像处理、机器视觉、模式识别和人工智能等多个角度对其进行研究。本文针对人脸图像分析和识别技术中的几个典型问题,从人脸检测与定位、特征提取和分类识别的角度开展研究工作,主要内容如下:针对人脸识别中的人脸检测定位问题,提出了一种融合AdaBoost分类器和YCbCr空间高斯肤色模型的由粗到细的人脸检测方法。首先研究了基于Haar矩形特征迭代训练学习的AdaBoost方法,并将其作用于待测图像中分割出候选人脸区域;其次建立了YCbCr空间下肤色色度分量Cb-Cr二维分布的单高斯模型,依此模型构建肤色似然图,并进行形态学滤波及人脸先验知识判断得到相应的二值化图像,依此图像对人脸候选区域进行筛选以剔除非人脸区域。仿真结果表明,该检测方法性能良好,误检率低。针对人脸识别中的特征提取问题,设计了一种融合二层二维离散小波、主成分分析以及线性判别分析的特征提取方法。首先对检测到的人脸图像进行预处理,增强人脸的面部特征;其次采用二层二维小波对预处理后的图像进行分解,选取第二层低频子图像使用融合主成分分析和线性判别分析算法进行特征提取,最后利用欧氏距离实现分类识别。仿真结果表明,该方法既能有效降低数据的维度,又能充分保留人脸主要的特征信息,同时有一定的抗噪能力。针对人脸识别中的分类识别问题,提出了一种基于改进遗传算法和BP网络的人脸分类识别方法。利用单隐层的BP神经网络进行分类器的设计,针对BP网络存在泛化能力低的缺陷,选用遗传算法对其初始网络权重进行优化,并对传统遗传算法选择算子进行改进,在排序选择策略的基础上引入最优保存策略,同时采用自适应的交叉和变异方式,提高了种群的择优能力和自我调节能力,使收敛结果更易逼近全局最优。实验结果表明,与传统的人脸识别方法相比较,本文提出的算法具有更高的准确性和鲁棒性。