基于人体生物特征识别技术（Biometrics）的个人身份鉴别系统，由于使用了人体本身所固有的生物特征，是与传统方法完全不同的崭新技术，具有更好的安全性、可靠性和有效性，越来越受到人们的重视，开始进入我们社会的各个领域，迎接新时代的挑战。在日常生活中，人们识别周围的人用的最多的是人脸，人脸是人类视觉中最为普遍的模式，人脸所反映的视觉信息在人与人的交流、交往中有着重要的作用和意义。因而人脸识别是一种最容易被接受的身份鉴定方法。计算机人脸识别技术试图使计算机具有人的识别能力，由于其广泛的应用领域，人脸识别技术在近三十年里得到了广泛的关注和研究。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生物身份验证手段之一。本文在收集和分析了大量近年来国内外关于人脸检测与人脸识别的学术论文及研究报告，对计算机人脸识别技术的若干理论问题进行了探讨。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方法进行了深入的研究，提出了一套用于视频图像正面人脸检测与人脸识别的方法。试验证明本文提出的人脸检测与人脸识别方法是合理的，具有一定的理论价值与实用价值。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。统计学习理论（STL）是近年来得到很大关注的研究小样本情况下的机器学习理论，这是一套比较完整的理论，它不同于传统的基于经验风险最小化（ERM）原理的学习方法，而是采用了一种新的基于结构风险最小化（SRM）的学习方法。已经证明了这种方法的学习结果具有很好的推广能力。支持向量机（SVM）是建立在统计学习理论基础上的一种新的机器学习方法。本文在对SVM进行深入研究的基础上，提出了一种采用DCT变换系数作为分类器输入矢量，利用改进的SMO学习算法建立了一套基于SVM的人脸检测方法，极大的提高了学习和检测效率。在多个人脸检测数据库中的试验表明该方法有很高的检测率，具有很高的理论价值和实用价值。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<WP=5>SVM的方法在可能存在人脸的区域进行检测。因为检测的区域比较小，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。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检测到的人脸图像质量的方法，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、在对各种人脸识别方法进行分析的基础上，本文重点研究了基于隐马尔可夫模型（HMM）的人脸识别方法。在对已有的基于HMM方法进行改进的基础上，提出了一种将人脸图像进行小波分解，然后利用分解后的代表原始图像不同细节特征的四幅小波子图像分别建立HMM进行学习。从信息融合的观点出发，将四个模型进行合并，合并后的HMM能够更好的代表该类人脸的统计特征，从而提高了识别效果。在多个人脸数据库中的测试表明该方法提高了识别率。4、由于基于HMM的人脸识别方法是建立在统计模型的基础上，识别的结果是根据各个模型的输出概率确定，因此对于不属于数据库中人脸类别的时候无法采用HMM方法。为了解决这个问题，本文采用了基于特征脸（eigenfaces）的方法处理不属于数据库中的人脸。这种方法可以通过设置特征空间的距离来调整拒识率。本文还研究了通过类似于判决树的方法将在两类模式识别问题中获得了成功应用的SVM方法推广到人脸识别这种多类别模式识别问题中，获得了比较高的识别率。最后综合应用特征脸方法、HMM方法以及SVM方法等多个分类器组合的人脸识别方法，在牺牲一定识别率的基础上，大大的降低了误识率，从而提高了识别系统的鲁棒性