本论文主要关注如下问题:在许多未标记的人脸图像数据集中,将人脸图像聚类成数据中存在的不同身份。该问题在社交媒体和司法鉴定时有着广泛的应用。近些年来,视频监控在许多领域得到了广泛的关注,包括司法鉴定,公共安全,交通控制和住宅监控等。如今,警方通过从视频监控所拍摄的视频或照片来对犯罪分子进行搜查。然而,人工从视频中找到相关目标将会耗费大量的人力和物力,进而促进了自动化的发展。本文将重点研究基于密度的噪声应用空间聚类(DBSCAN)算法,该方法是一种高效且有效的方法,具有良好的性能,并且取得比其他聚类方法(如,k-means,谱聚类和Rank-Order)更高的精度。基于密度的聚类算法DBSCAN的核心思想是聚类中的每个对象必须在其邻域内具有一定数量的其他对象。与其他聚类算法相比,DBSCAN具有许多优点,例如,它可以检测任意形状的聚类,并且对异常值等具有鲁棒性。因此,DBSCAN在过去几十年中引起了很多研究兴趣,并且有着许多扩展和应用。本文将研究五种不同的聚类算法,并在不同数据集上进行测试。五种聚类算法是k-means,threshold clustering,mean shift,DBSCAN和rank-order。在第一个实验中,本文将这些聚类方法在LFW子集和全集上进行测试。本文还在ISIS人脸数据集上进行测试,以评估这些聚类算法的性能。本文通过实验发现,threshold clustering在F-measure和误报数量上有着非常好的性能。除此之外,DBSCAN在整个实验过程中都取得了较好的效果。因此,DBSCAN是一种高效的人脸聚类方法.