人脸识别具有重要的理论研究价值和广阔的应用前景，越来越成为一个研究热点，它涉及到模式识别、图像处理、生理学、心理学等诸多领域。由于受多方面因素的影响，人脸识别一向被认为是一项具有巨大挑战性的课题。 本文的主要内容包括： (1)基于混合肤色模型和模板匹配的人脸检测：先通过建立HSV和YCbCr混合肤色模型，检测出皮肤区域；然后对检测出的皮肤区域作初步判断，消除部分干扰，去除假区域，确定所有可能的人脸区域；最后采用模板匹配法进行人脸验证。以CMU人脸数据库作为测试集，正确检测率为90.3﹪。另外，对部分生活照的检测结果也较好。 (2)人脸数据库的建立：现存的著名数据库都有各自的优缺点和适用范围，为了反映本文所采用方法的鲁棒性，从多个数据库中选择出多幅人脸图像，包括各种表情、光照、角度，对人脸图像进行滤波、几何归一化和灰度归一化处理后，建立了一个小型数据库。 (3)着重研究了两种人脸识别方法，并对其进行了比较。 基于遗传算法(GA)的二维主成分分析(2DOCA)法：将GA融入2DPCA中，对其特征选择过程进行了改进。2DPCA法提取特征后，进行特征选择的一般方法是直接选取训练样本集总体协方差矩阵的前几个特征值对应的一组特征向量作为投影轴，将人脸图像转换到较低维的空间。这样得到的特征一般情况下是最佳描述特征，而不是最佳分类特征。为了达到识别时的信息最优，采用当前比较理想的优化算法一遗传算法，对总体协方差矩阵的特征向量进行寻优，将得到的最优子集作为投影轴。结果表明，此方法具有一定意义，能提高人脸识别率。但遗传算法的训练时间较长，而且与训练集中样本图像的数目和大小有关，这使该方法具有一定的局限性，比较适合于小型数据库和图像较小的情况。 基于粗糙集(RS)和模糊集(FS)理论的人脸识别方法：粗糙集与模糊集是两种主要的、应用最为广泛的处理不确定性问题的方法。粗糙集理论主要用在属性约简、决策规则生成以及预测等方面，不需要任何先验信息，且能够完整地保留信息系统的分类能力。而模糊集理论将模糊概念引入模式分类方法中，使所处理的问题更加贴近于人类的思维，具有较强的分类能力。本文将二者结合起来，充分发挥各自优点，将粗糙集用于人脸的特征选择，将模糊集用于分类算法的设计。在利用粗糙集进行特征选择时，针对一般离散化方法的缺陷与不足，采用一种基于聚类学习的离散化方法。实验结果表明，与基于GA的2DPCA法相比，此方法更有效，识别率高，对应的特征数少。 人脸自动识别系统比较复杂，涉及的内容很多，本文仅在人脸检测与识别方法研究方面取得了一些阶段性结果，离实际应用还有一定差距，有待于进一步研究和完善。