采用人耳特征进行身份验证是一种新兴的生物特征识别技术，国内外对人耳识别的研究还处于起步阶段。针对目前人耳识别技术的现状，本文主要从人耳图像的检测、预处理、特征提取和分类器的设计几个方面对人耳识别这一课题进行了一定的研究和讨论。本文工作主要包括以下几个方面：(1)人耳检测：针对本文研究对象的特殊性，即人耳图像无大的姿态变化且背景比较简单，本文提出基于灰度差积分投影的人耳定位方法。首先，通过灰度差积分投影得到人耳的上边界和左右边界，粗定位人耳矩形区域；然后利用canny算子提取人耳边缘，得到精确定位的人耳整体图像；最后根据实际需要进行一系列归一化处理。通过在自建人耳库中的实验，表明本文所提的算法切实可行。(2)特征提取：子空间分析的方法能有效地反映图像的统计特征，本文研究线性子空间分析和非线性子空间分析方法在人耳图像特征提取中的应用，并对子空间分析的各种方法进行细致的实验研究。一方面，研究基于线性子空间分析的人耳特征提取方法。实现了主成分分析、Fisher线性判别分析两种人耳特征提取方法；提出基于奇异值主元投影的人耳特征提取方法，与PCA和FLDA相比该方法对噪声和光照不敏感；针对独立元分析中独立元随机排序的不足，本文采用基于遗传算法的最优独立基选择算法，该算法在自建人耳库中获得99.17％的识别率，在CP库中也获得了92.16％的识别率；另外尝试采用二维非负矩阵分解的进行人耳特征提取，与一维非负矩阵分解相比该方法的计算复杂度降低了1倍以上；另一方面，研究基于非线性子空间分析的人耳特征提取方法。实现了基于核主成分分析和核独立元分析的人耳特征提取。在自建库中的实验结果表明，基于核方法的特征提取，能够更加充分地利用图像的非线性特征，增加有效的识别特征量，更好地反映人耳特征的个体差异，识别率高于线性方法。(3)分类器设计：人耳识别的实质问题是分类器的设计问题。本文采用支持向量机作为人耳识别分类器，对影响支持向量机分类性能的因素进行了系统研究。在自建人耳库中通过与BP神经网络和最近邻分类器的对比实验，支持向量向量机最高测试分类精度达到了100％，而BP神经网络为96.67％，最近邻分类器为91.67％。表明支持向量机能够获得很高的识别率和优良的抗噪声性能，性能要优于传统分类器。