人脸识别不仅具有重要的理论价值,还在安全、金融等领域具有广泛的应用前景。作为一种非常重要的人脸识别算法,Moghaddam等人提出的贝叶斯分类器人脸识别方法已被广泛接受,并在很多方面得以扩展,如:将概率密度函数从单高斯模型推广到多高斯模型(GMM),从最初的使用灰度特征推广到使用其它特征(如Gabor特征)等。在这些有效扩展的基础上,本文从分类器设计与概率密度估计两方面提出改进方案,主要工作包括:(1)在分类器设计方面,提出了一种基于特征分块的多贝叶斯分类器融合方法(FBBC:Feature Block based Bayesian Classifier)。该方法将人脸图像均分为若干块,然后对每块计算Gabor特征,并分别训练得到一个子贝叶斯分类器,这些子分类器最终融合起来得到集成的分类器。我们还对不同的融合方法进行了探讨。在FERET标准测试数据上的实验结果表明我们的新方法比传统方法具有更好的识别性能。(2)在概率密度估计方面,提出采用非参数技术而非传统的高斯模型或者高斯混合模型估计后验概率,并将其应用到了贝叶斯分类器人脸识别方法,以及我们提出的多贝叶斯分类器融合方法(FBBC)中。在FERET标准测试数据库上的实验表明,非参数技术不仅可以取得比传统高斯模型方法更高的识别精度,而且训练更加简单。本文的上述两个贡献扩展了贝叶斯方法在人脸识别中的应用设计问题,取得了比传统贝叶斯人脸识别方法更优的性能。