人脸识别作为一种典型的生物特征鉴别方式，已经成为模式识别领域中一个重要的研究方向，具有广阔的应用前景。近年来移动互联网的迅速发展对人脸识别的应用也随之产生了新的需求，可是传统的人脸识别方法由于运算量较大，在移动环境下对内存容量、电池续航能力等硬件的要求较高，难以应对移动互联网环境下的大数据量处理。基于统计特征的人脸识别方法是最常用的方法。为了研究基于统计学习理论的分类器在人脸识别中的识别率，本文分别对基于支持向量机的人脸识别方法与基于神经网络的人脸识别方法进行了研究，Bagging算法指出训练多个支持向量机再生成单一支持向量机进行人脸识别的方式能够获得更好的识别率。MapReduce模型是由Google最早发布的一种支持大规模数据并行处理的编程模型，具有实现简单、扩展性好的特点，且利用MapReduce模型能够很好地实现Bagging算法思想。本文据此提出了利用MapReduce模型在Hadoop平台训练支持向量机进行人脸识别的方法，对人脸识别这种多分类问题提出了针对多类支持向量机的“一对多”法与“一对一”法的训练策略，即在Map阶段对分片的输入样本生成多个支持向量机，再将满足条件的支持向量交给Reducer处理，得到最终用于识别的支持向量机。本文对样本量大小不同的三组数据进行的实验均显示出“一对一”法和“一对多”法的训练速度在MapReduce模型下都获得了提升。样本数量越大，两种方法在识别率与训练速度上的表现都更加优越，其中“一对一”法比“一对多”法在MapReduce模型下的识别率相对更加稳定。本文的创新点在于引入了MapReduce模型训练支持向量机来进行人脸识别，提出了MapReduce模型下多类支持向量机的训练策略。实验结果表明，基于MapReduce模型训练支持向量机进行人脸识别，减轻了对机器硬件的负担，在保证识别率的前提下提高了运算效率。该方法对于移动环境下的人脸识别具有实用意义。