朴素贝叶斯算法是一种以贝叶斯原理为基础,基于概率知识、有着坚实数学基础的分类算法。其具有易构造、易理解、高效性等优点,一直是机器学习中最常用的算法之一,目前已经在人脸识别领域中被广泛应用。然而朴素贝叶斯算法强大的分类性能基于一个在实践中很少是正确的条件独立性假设,对于具有强大依赖关系的数据,会影响其分类效果。为了解决这一问题,很多的改进方法被提出,其中属性加权方法取得了很好的成果。但如何对属性进行加权处理,并获取到最佳的权重组合,仍然是一个非常棘手的难题。针对这一问题,本文提出了几种基于贝叶斯的算法改进模型,论文的主要创新点如下:1.提出了基于空间搜索优化的属性加权贝叶斯模型。该模型将属性加权方法与空间搜索优化算法相结合,在基本的朴素贝叶斯计算中加入权重,用一个一维向量代表不同属性之间的关系,基于空间搜索优化算法对权重向量进行优化,通过多次迭代,找到一组最佳的权重向量,使得模型分类效果最优。在UCI标准数据集上进行模型的效果测试,结果表示,与朴素贝叶斯和一些最近被提出的算法模型相比,基于空间搜索优化的属性加权贝叶斯模型具有更优的分类准确率。2.提出了基于优化算法的特定类属性加权贝叶斯模型。用更细粒度的属性加权方法来处理权值,在纵轴也对权值进行处理,即对于不同类别中的同一种属性分配不同的权重值,权值矩阵为二维矩阵。构造了两种基于优化算法的分类模型。第一种:构造了基于粒子群算法的特定类属性加权贝叶斯模型,基于粒子群算法来获取最佳的二维权重矩阵。第二种:构造了基于空间搜索优化算法的特定类属性加权贝叶斯模型,采用空间搜索优化算法对属性加权的二维权重矩阵进行优化。3.提出了基于优化算法的特定类属性加权贝叶斯应用模型。由于基于空间搜索优化算法的特定类属性加权贝叶斯模型的高分类性能,将该模型应用到人脸识别中。首先对人脸样本预处理,将每个图像变成一维向量数据,然后使用主成分分析方法对数据进行降维,提取特征值,最后用基于空间搜索优化算法的特定类属性加权贝叶斯模型进行分类。实验取得了优于传统模型的分类效果。