近几年来人脸识别技术的发展很快,特别是在计算机发展的推动下,用计算机来识别人脸成为人脸识别技术中最新兴的一种。人脸作为一个非刚体,具有形变大、影响因素多且易受干扰的特点。而且因为实际条件的限制,不可能对每个人都采集很多样本,相对于其图像向量维数而言,是一个小样本问题。对于这样一个高维数、非线性的小样本问题,许多传统的模式识别方法都容易出现过学习或欠学习现象。本文提出了小波变换和支持向量机结合的人脸识别方法。由于小波变换具有通过变换能够充分突出问题某些方面特征的主要特点,利用小波变换的这一特性提取的人脸特征具有特征量少且对人脸表情变化不太敏感的优点。支持向量机是专门针对小样本问题设计的,它基于统计学习理论的结构风险最小化原则,选用最优分类超平面作为判别函数,以最大化分类间隔为条件,将分类问题转化为一个简单的二次规划问题,使问题具有唯一的极值点。通过引入核函数,将线性不可分问题投射到高维空间后转化为线性可分问题。支持向量机在解决小样本问题方面已经表现出许多特有的优势,并已成为当前国际上模式识别领域的首选分类器。本文首先对人脸图像进行小波变换并提取特征向量,再利用支持向量机进行训练学习和分类。通过对ORL 人脸库中的人脸进行识别实验表明,这两种方法的结合在人脸识别上取得了较高的识别率。