人脸检测与识别是计算机视觉和模式识别领域非常活跃的研究课题,经典的算法可以很好的进行人脸识别,但当处理大规模数据时仍会出现内存限制、训练时间过长、检测与识别不够实时快速等问题。针对这个问题,集成方法应运而生,其中以Adaboost(Adaptive Boosting)算法最为著名。它具有很好的泛化能力,识别率高,训练速度快。但是面对大规模数据的多类问题(包括两类),如何进一步提高算法的性能,扩大其应用领域仍然需要继续研究。本文在对人脸识别经典算法、Adaboost变体算法的设计方法、分类准则、分类性能等深入研究的基础上,主要完成了以下工作：首先,研究了经典人脸识别方法主成分分析PCA、线性鉴别分析LDA、独立成分分析ICA算法,对其原理、算法进行了系统的研究,并在多个公共人脸库上进行了实验仿真,分析了算法的性能和特点。其次,研究了基于Adaboost算法的人脸检测,我们选择简单的haar特征作为弱学习器,利用Adaboost算法将其提升为强分类器,在此基础上进行了人脸检测实验,结果证明Adaboost算法用于人脸检测速度快,实时性好。但仍然存在误检、漏检以及重检的问题,对此论文进行了深入的讨论分析。最后,考虑到Adaboost算法的优点,本文将其推广算法Adaboost多类识别算法Adaboost.Ml应用到人脸识别中来,运用常见的最近邻算法、LDA、朴素贝叶斯三种分类算法作为弱学习算法,进行了大量的实验研究,并对其结果进行了仔细的分析比较,结果表明,Adaboost.Ml用于人脸识别训练速度快,实时性和稳定性好,识别率非常高,甚至有达到100%识别率的情况。在此基础上,提出了一种优化权值的改进算法并进行了实验仿真,结果表明Adaboost.Ml改进算法识别率高,训练速度快,与未改进算法相比训练速度有所提高。