在生物特征识别领域，人脸识别研究一直是一个关注的热点。目前最好的自动人脸识别系统在注册和认证环境条件比较一致、用户比较配合的情况下已经能够达到令人满意的效果。但是，在采集环境不可控、用户不配合以及人脸库规模过大的情况下，人脸识别算法和系统的性能就会急剧下降。人脸识别研究还面临许多待研究的课题，其中包括如何设计基于统计学习的分类器和开发消除光照影响的方法。本文对人脸识别中的分类方法及光照补偿进行了研究。主要内容如下：　　 ⑴提出了杠杆学习机，该算法在训练线性分类器时具有非常直接的优化目标和直观的物理意义。该算法受到物理学中的杠杆原理启发，将力矩平衡的概念引入到高维空间中，并利用该原理优化地训练线性分类器。从理论上的推导证明，杠杆学习机的优化目标直接就是最小化分类器的误识率。而且在目标样本是凸分布的情况下，可以利用杠杆学习机训练一系列优化的分界面来将目标样本分布与外界隔离开来。本文作者在二维和三维欧氏空间上直观地验证了杠杆学习机的有效性，并进一步将该算法成功应用到了人脸检测上面。在人脸检测应用中，还发现杠杆学习机具有学习面部样本全局特征的能力。该算法的成果已发表在ICNC2005论文集中。　　 ⑵提出了相对差分空间变换，该方法可以将两类分类算法应用到多类分类问题，同时还避免了病态变换问题并具有可逆性。通过引入参考点的概念，该算法避免了差分空间的病态变换问题，并且具有可逆性。相对差分空间变换维持了类间的可分性，并可以在一定程度上缓解训练过程中的小样本问题。在此基础上，本文作者基于该算法和支持向量机构建出了一种新颖的多类分类方法，并成功应用于处理人脸识别的光照问题。在Yale Face Database B库上的测试结果证明本文作者的算法能有效地消除光照对人脸识别结果的影响，其性能接近甚至超过了现有的专门处理光照问题的算法，相关成果已经发表在ICPR2006论文集中。　　 ⑶提出了形态学商图像算法，该算法能够有效地消除人脸识别中光照的影响，并且计算复杂度很低。根据面部光照特点，采用数学形态学算子和商图像技术对各种光照条件下的人脸图像进行归一化处理。与传统的技术相比，该方法不需要训练数据集以及假定光源位置，并且每人只需一幅注册图像。进一步，本文作者通过引入特征尺度测量参数和动态模板技术，提供了一套复杂光照条件下的动态光照补偿办法，也即动态形态学商图像算法。Yale Face database B上的实验结果有力地证明了本文作者算法在处理复杂光照条件方面的性能，与现有的算法相比，形态学商图像算法在时间和空间复杂度上同样具有优势。目前，该算法的成果已被软件学报接收。