自动人脸识别技术(Automatic Face Recognition Technology)是近年来计算机视觉、图像处理、模式识别以及人工智能等领域研究中一项极富挑战性的研究课题。本论文正是结合相关技术研究了自动人脸识别的若干关键技术，包括人脸检测与跟踪、人脸特征表示以及人脸的识别算法等。 本论文的主要研究内容和创新性工作如下： 1)提出了一种快速的基于提升框架的图像序列中人脸目标检测算法。该算法把小波提升框架引入序列图像中，将两幅相邻图像帧用间隔插值方法融合后进行小波变换，扩展了差分图像的算法；并且利用这些小波图像缩小需要搜索的目标区域。该算法充分利用小波良好的多分辨率特性结合变模板技术减少匹配计算量，较好的解决了对图像序列中人脸运动变形的检测问题和传统方法漏检测的局限，加快了算法的速度，提高了人脸跟踪的匹配效率。 2)提出了一种在子空间中进行人脸识别的新思想，并基于此提出了两种人脸识别新算法，分别是基于最优小波包分解和模糊积分的PCA-LDA人脸识别算法和SVM人脸识别算法。这两种算法都是首先基于模糊准则求出给定图像的最优小波包分解，然后用最优小波包把训练集人脸分解到n个子空间。对于这些子空间，分别用PCA-LDA和SVM方法求出试验人脸对与训练集中每一类人脸的的平均隶属度；最后，计算这n个子空间上的平均隶属度和模糊测度的模糊积分，得出试验人脸最终属于的类。 3)针对线性判别分析的小样本空间问题，提出了一种基于类向量的融合全局和局部特征的人脸识别算法。该算法首先提取人脸的高维全局特征；再用一种新的基于Gabor分块统计量的方法分别提取局部特征，将全局和局部特征融合，得出样本的特征向量；从每一类样本中得出一个相同的所谓类样本向量并据此给出一种新的投影准则；最后，将类向量和试验样本分别进行投影，根据其欧氏距离的大小得出试验人脸的最终类。 4)提出多区域特征融合的人脸特征表示新理念并据此设计了一种新的加权PCA-LDA人脸识别方法。首先提取人脸的全局特征；然后将人脸分割成6个关键部分，并用一种新的基于Gabor小波的方法提取特征；其次，阐述了将全局和局部特征加权融合的思想，给出了权值的选择方法；再次，论述了多区域特征加权融合原理；最后，给出了详细的加权PCA-LDA算法。 5)给出一种基于样本加权特征矩阵和类矩阵的自适应人脸识别方法。首先提取人脸的全局特征和6个关键部分的局部特征，给出了权值的概念将其全局和局部特征加权融合，得出了样本的特征矩阵；并在经典PCA基础上设计出一种新的加权PCA方法对样本矩阵进行降维；定义每类样本的类矩阵并给出了证明，据此得出一种新的投影准则；最后，将类矩阵和试验样本分别进行投影，根据其欧氏距离的大小得出试验人脸的最终类。该算法不仅提出了类矩阵的概念，还引入全局和局部特征加权融合的方法，大大增强了算法的自适应能力。