人脸识别是模式识别和图像处理领域最前沿的研究课题之一，由于其在司法、公安、安全等领域有着广泛的应用前景，近年来人脸识别受到了广泛的关注。人脸识别问题涵盖了计算机视觉、神经网络、数字图像处理和模式识别等众多学科，它主要分为三个部分：人脸检测、特征提取和分类器的设计，本文主要研究特征提取和分类器设计两个部分，特征提取是从人脸图像中提取可以用来分类的信息；而分类器的设计部分是利用提取的特征进行识别分类。本文提出一种基于Gabor特征的二次分类方法，在该方法中对于特征提取部分，采用的是Gabor特征；对于分类器部分，采用了结合仿生模式识别与纠错SVM的二次分类器。本文做了大量的仿真实验，在特征提取部分将Gabor特征与主成分分析法和Fisher脸方法进行对比，分类器部分与最近邻、仿生模式识别、纠错SVM进行比较，二维Gabor函数可以较准确的描述人脑视觉皮层简单细胞的感受野；二次分类器将基于仿生模式识别理论的超椭球神经网络方法与具有纠错能力的SVM方法结合起来，首先使用超椭球神经网络进行第一次分类得到中间结果，再将拒识、多识样本放入具有纠错能力的SVM中进行二次分类。这种方法兼具仿生模式识别和纠错SVM的优点，并可以克服对未训练样本的误识率高的问题，同时也具备纠错SVM方法的纠错能力。因而将Gabor特征与二次分类器相结合具有更好的分类效果。在Cambridge ORL，Yale和AR太阳镜人脸子库，AR围脖人脸子库的仿真实验结果表明，以Gabor特征为输入矢量，应用二次分类方法进行图像识别，正确识别率分别达到了99.75％、99.001％、97.9％、97.62％。