人脸识别技术是生物识别技术的一种。在日常生活中，人们识别周围的人用的最多的是人脸。人脸识别的隐蔽性和非侵犯性使其成为一种容易被接受的身份鉴定方法。随着网络技术和桌上视频的广泛采用，图像捕捉设备正在成为个人计算机的标准外设，同时电子商务等网络资源的利用对身份验证提出了新的要求，人脸识别成为最有潜力的个人身份验证手段之一。 本文在收集和分析大量近年来国内外人脸检测与人脸识别的相关论文及研究报告的基础上，对计算机人脸识别技术的若干理论问题进行深入地探讨，并针对建立人脸自动识别系统的两个主要技术环节——人脸检测与人脸识别进行深入地研究，提出一种基于支持向量机(SupportVectorMachine，SVM)的快速人脸检测方法和一种基于隐马尔可夫模型(HiddenMarkovModel，HMM)的人脸识别方法，并将其应用于监控系统。本文的研究工作主要包括以下几个方面： 1、通过对国内外在人脸检测方面研究成果的分析，发现目前在人脸检测中比较成功的方法基本是建立在机器学习理论基础上的。本文在对SVM进行深入研究的基础上，提出一种采用DCT(DiscreteCosineTransform)变换系数作为输入矢量，利用改进的SMO(SequentialMinimalOptimization)学习算法，建立了一套基于SVM的人脸检测方法，极大地提高了学习和检测效率。 2、由于支持向量机方法需要对整幅待检测图像进行逐步搜索检测，比较耗时，难以实现实时检测。本文先采用基于运动检测的背景分离技术和皮肤颜色检测技术相结合的方法获得图像中可能存在人脸的区域，然后采用具有很高检测率的基于SVM的方法进一步确定检测出的区域是否为人脸。因为检测出的区域一般比较小，所以这种方法即保证了检测的准确性同时实现了接近实时的检测速度。又由于人脸检测获得的图像是用于人脸识别，因此检测到的图像质量的好坏直接关系到识别的准确性。本文提出了在人脸检测中采用一种评价图像质量的方法，自动选取最有利于人脸识别的检测图像作为检测系统的输出。 3、通过对目前各种人脸识别方法的研究与分析，重点研究了基于隐马尔可夫模型的人脸识别方法，在对已有方法进行改进的基础上，提出了首先采用小波分解将数据库中的每幅人脸图像分解为四幅子图像，然后对各子图像分别建立对应的HMM，将四个小波子图像作为四个训练序列获得各个状态的合并权值。识别的时候根据学习获得的权值进行合并。由于小波分解后的四个子图像对识别的贡献不同，因此根据不同权值合并后的HMM能够更好的代表该类人脸的统计特征，从而提高识别率。在多个人脸数据库中的测试表明该方法提高了识别率。