为了实际应用的需要,快速鲁棒的人脸检测和识别研究在模式识别和机器学习领域里引起了广泛的重视.本文提出了一种基于统计学习理论的判决特征选择方法和快速分类方法,仔细研究了这种方法的性质、特点以及在人脸识别中的应用.本文提出了基于直接学习算法的人脸检测方法,研究了最小最大模块化模型在多角度人脸识别中的应用. 本文的主要贡献在以下六个方面. 1)对于灰度图像的人脸检测,本文将基于小波系数的弱分类器学习和完整空间中的统计学习相结合,提出了一种比传统的AdaBoost方法更快速、更准确和高效的直接学习算法.本文使用线性判别分析优化人脸检测器,从而提高了人脸检测器的检测精度. 2)针对彩色图像中的人脸肤色检测,本文提出了一种基于主分量分析的修正的高斯肤色模型.相对于标准的高斯肤色模型,修正的高斯肤色模型可以提高肤色检测的精度. 3)针对在传统的基于AdaBoost的级联人脸检测方法中,初始节点非人脸训练样本采样不充足的缺点,本文提出了在完整特征空间上基于分类超平面和bootstrapping的训练样本选择方法.该方法的思想是在开始训练级联人脸检测器之前,先使用这种训练样本选择方法在大规模自然背景图片库里挑选出最具有代表性的非人脸训练样本,然后使用这些最具代表性的非人脸训练样本训练级联人脸检测器,最后得到高效的级联检测器.这种高效的级联人脸检测器可以用很少的节点识别出大量的非人脸模式,从而提高了人脸检测的精度和速度. 4)本文研究了最小最大模块化模型在多角度人脸识别中的应用.针对多角度人脸识别问题,本文采用了最小最大模块化支持向量机方法对不同的角度采用不同的分类器模块,从而有效地解决了多角度人脸识别问题. 5)在人脸识别中,本文利用全概率定理把判决特征选择方法从两类分类问题发展到多类分类问题,从而在不降低分类精度的情况下加快了人脸识别的速度.此外,本文研究了Gabor小波特征提取方法,从而使判决特征选择方法能更有效地应用于人脸识别问题. 6)通过人脸检测和人脸识别的研究,本文提出了一种新的多分类器集成学习方法和一种针对支持向量机的新的核方法.