本文中,作者主要研究了支持向量机(Support Vector Machines, SVMs)算法,研究了如何实现人脸识别系统,以及深度学习方法在分类器构建中的运用。主要的研究成果包括以下三个方面。第一,提出了一种用于提高SVM泛化能力的学习算法。由于传统的SVM对噪声非常敏感,特别是构建的分类器依赖于支持向量,所以在某些情况下泛化能力会大大降低。本文提出的强化改进算法,通过计算两类样本在映射空间中的中心点,并在目标函数中添加平衡项,从而来调整决策超平面。实验结果显示,提出的改进算法具有更好的鲁棒性和更高的识别正确率。第二,实现了一种基于Gabor、PCA和SVM的人脸识别系统。预处理阶段采用Gabor小波变换,特征提取阶段采用PCA,最后用SVM构建识别器。实验阶段,使用了ORL人脸库。结果显示,本文实现的人脸识别系统有很高的识别正确率。第三,提出了一种基于SVM和稀疏自动编码器的分类器。稀疏自动编码器是一种深度学习方法,它可以抽象出样本数据的原始特征。利用该编码器得到的特征向量,在SVM中学习得到的分类器相比于传统的方法,效果有很大的提升。实验中,使用了手写识别数据集合MNIST,结果验证了该方法的有效性。