计算机人脸识别是目前一个非常活跃的研究课题,在信息安全、刑事侦破、出入口控制等领域呈现了广泛的应用前景。支持向量机是一种全新的机器学习方法,其出色的学习性能和泛化能力强等方面的优势,在模式识别领域中有其独到的优越性。在对微粒群算法训练支持向量机研究的基础上,首先提出了基于量子行为微粒群优化算法训练支持向量机的方法,即QPSO-SVM。QPSO-SVM算法采用工作集的选择策略,将二次规划(QP)问题分解为若干个规模一定的子QP问题,选择满足K-T条件最差的Lagrange乘子组成工作集,作为优化子QP问题的对象。用量子行为的微粒群算法优化SVM子问题,解决二次规划的优化问题。用QPSO-SVM算法对Iris样本集进行训练,结果显示了基于量子行为微粒群算法训练支持向量机的可行性,与PSO-SVM算法比较该算法性能更优越,操作简单,参数设置少,而且弥补了微粒群算法训练支持向量机运行时间长的不足。支持向量机在处理小样本、高维数及泛化性能等方面具有优势,本文提出了将PSO-SVM分类器和QPSO-SVM分类器用于人脸识别过程中,为人脸识别提供一条新的途径。本文采用核主元分析(KPCA)方法对人脸图像进行特征提取得到人脸的特征向量,该特征向量作为PSO-SVM、QPSO-SVM的输入。用PSO-SVM算法、QPSO-SVM算法对人脸图像样本进行训练,生成PSO-SVM分类器、QPSO-SVM分类器,分别应用于待识别人脸图像,对其进行分类识别。剑桥ORL的人脸数据库的仿真结果验证了本算法的有效性。