人脸识别是当前模式识别和图像处理领域的热点和难点，涉及面广，包括心理学、人工智能、计算机视觉，模式识别等多门学科，并且广泛应用于安防监控、军事等多个领域，因此对人脸识别技术的研究具有非常重要的意义。 人脸作为一个非刚体具有形变大、影响因素多、易受干扰等特点，并且相对于图像向量维数而言，是一个高维数、非线性小样本问题。许多传统的模式识别方法都易出现过学习和欠学习的现象，支持向量机专门针对小样本问题而设计，基于统计学习理论的结构风险最小化原则，选用最优分类超平面作为判别函数，以最大化分类间隔为条件，将分类问题转化为一个简单的二次规划问题，使问题具有唯一的极值点。通过引入核函数，巧妙地将线性不可分问题投射到高维空间后转化为线性可分。同时，由于采用核机制，问题的计算复杂度并没有增加。通过选取不同的核函数，许多传统的分类方法都可以在支持向量机里找到相应的作用机理。支持向量机在解决小样本问题方面表现出许多特有的优势，已成为当前国际上模式识别领域的首选分类器。 本论文的研究内容主要包括以下几个方面： (1)在局部特征提取方面，提出了一种基于经验初步提取人脸局部特征，然后使用投影理论使局部特征最佳化的方法，对提取之后的局部特征进行主成分分析，降低了数据量的同时提高了识别效果。 (2)在信息融合方面，先使用主成分分析法和独立成份分析法进行特征提取，然后利用二者最有效的特征向量进行信息融合，取得了很好的识别效果。提出了一种整体特征和局部特征相结合进行人脸识别的方法，这种方法在保证比较高的识别结果的基础上缩短了识别时间。 (3)在支持向量机方面，设计了一个级联的两层支持向量机，第一层使用二分类支持向量机寻找测试图像中的局部特征，第二层使用多分类支持向量机，寻找图像所属类别，并且在基于局部特征的人脸识别中进行了实验，减少了手动选取测试图像局部特征所带来的误差，取得了不错的识别效果。