人脸是人们社会交流中所关注的焦点,在辨别身份和传递感情方面起着重要的作用。由于人脸识别技术在视频监控、访问控制、信用卡验证、多媒体数据库检索以及安全等领域有着广阔的发展前景,因而在过去的20多年里,它一直是模式识别和计算机视觉领域的研究热点。本论文针对人脸识别中的两个关键问题:人脸特征提取和分类器设计,尝试将近年来模式识别领域中的新方法—核典型相关分析(Kernel Canonical Correlation Analysis,KCCA)以及支持向量数据描述应用于该问题的研究中。本文的主要工作包括:1.基于核的线性投影分析法,提出一种基于KCCA及支持向量数据描述的人脸识别算法。2.提出两种提升KCCA特征提取的方法。基于特征向量选择(Feature VectorSelection,FVS)的KCCA方法能够选择部分图像在高维空间的映射组成一组基,利用这组基的线性组合表示任一样本和投影算子,从而生成阶数大幅降低的核矩阵;Fast KCCA特征提取算法能快速提取对分类最重要的特征,称为“重要”特征。数据量的压缩使基于改进KCCA的特征提取效率得到了显著提升。3.建立了一种基于支持向量数据描述的多分类器。在此基础上,根据支持向量数据描述分类器与最近邻关系的分类结果,提出了一种基于支持向量数据描述分类器与最近邻分类器相结合的层次型人脸识别算法。实验结果表明,该算法能够提高支持向量数据描述分类器的分类性能。