人脸识别技术的研究在近几年得到了高度重视,已经成为图像分析和理解中最成功的应用之一。本文从人脸识别的过程出发,对人脸识别的过程中几个重要环节进行了研究。在人脸检测与定位环节,我们主要研究了基于模板匹配和遗传算法的人眼定位方法。与传统的模板匹配方法所不同的是,这里我们首先对人眼进行了预定位处理,在人眼的预定位范围内进行人眼的精确定位,避免了遗传算法在寻优过程中其他人脸特征对它的影响。在研究中,针对人眼定位过程中不同的能量函数对人眼定位的影响作了分析,证明在人眼的定位中,波谷能量起决定性作用。在人脸特征提取部分研究了一种基于矩阵分解的人脸特征提取算法。该算法描述了在提取特征时,采取了降低图像矩阵维数的方法:即把大矩阵分割成小矩阵,并对分解后的小矩阵通过K-L变换进行特征提取。通过这种方法大大降低了计算量,减小了机器处理的时间。实验证明了该方法的有效性。在人脸识别过程中,我们分别对现有两种最流行的人脸识别方法(即神经网络算法和支持向量机算法SVM)进行了研究。探讨了用于人脸识别的BP神经网络分类器的设计问题,建立了识别模型,对预处理后的坐标数量级设置、分类结果数据分析以及训练样本的选择等处理上得出了自己的观点,并用BioID和ORL这两类非标准人脸数据库进行了大量的仿真实验。通过该仿真结果与最近邻算法的比较,得出了神经网络分类器和最近邻分类器所适用的图库类型。关于支持向量机,我们对多类问题转化为两类问题的方法进行了讨论,成功地将多类问题转化成了两类问题来处理。通过在BioID人脸库和ORL人脸库上进行的实验与最邻近法进行的比较结果来看,SVM算法对于人脸识别是可行的,得出本算法在模式十分复杂的ORL人脸库表现比最邻近法更优的结论,更加充分说明了SVM算法在人脸识别技术中的优越性。