人脸检测和识别技术由于其在安全访问控制、视觉检测、基于内容的检索和新一代人机界面等领域的应用价值，目前已经成为图像处理、模式识别、人工智能等领域内最为活跃的研究课题之一。但由于难度较大，目前对人脸识别的研究发展仍不成熟。　　 本文首先在分析当前人脸检测算法的基础上，采用机器学习算法AdaBoost算法进行人脸检测，对人脸特征进行了描述、拓展了特征形式、深入研究了弱分类器的构成，构建了单层层叠分类器和瀑布层叠分类器两种结构。针对训练时间过长的问题，对瀑布层叠分类器算法进行了改进，使得训练时间有所减少。在目前的训练条件下，已经取得了比较好的实验效果。同时在得到的人脸中，有效的运用肤色模型等策略去除错误报警。　　 然后深入研究了特征提取的方法，包括奇异值分解和Gabor特征提取的方式。由于Gabor特征对于光照变化比较鲁棒，但是如果采用全部的特征用于识别，会带来“维数灾难”，使得识别效率降低。同时对特征权重的平均分配也不利用人脸识别。为了得到对于人脸识别最为有效的分类特征，利用AdaBoost算法对Gabor特征进行选择。构建弱分类器形成强分类器，得到的Gabor特征序列即为按照从大到小对人脸不同区分能力标有权重的特征序列。　　 最后将得到的人脸特征输入到SVM分类器中进行分类识别，结合SVM处理高维数据分割的强大能力。实验取得了比较好的实验效果，表明对于姿态和光照变化具有一定的鲁棒性。