人脸识别技术是基于生物特征的一种模式识别技术，与传统的一些认证技术相比，它具有实时性、准确性、非侵扰性的特点，具有很好的现实应用价值。人脸检测是人脸识别中一个重要环节。人脸图像的肤色信息能够抵抗图像的旋转带来的侵扰，具有稳定性。基于肤色的人脸检测只需要对肤色信息进行建模，避免了复杂的特征提取。基于肤色的人脸检测模型通常计算简单，算法效率较高。但是不同人种间的差异、光照强度变化、复杂背景下类肤色、人体其它裸露部位附带的肤色信息对基于肤色人脸检测的干扰使得单一的肤色检测模型通用性不强，人脸的正确检测率也不是很高。基于此，本文提出了一种肤色模型和几何特征校验相结合的方法，在对大量实验图像的肤色像素进行统计的基础上建立一个固定阈值的肤色像素初检模型，再在初检出的候选人脸区域内通过基于统计的积分投影方法定位人的眼睛和嘴巴面部器官。利用双眼和嘴巴构成的三角形来确定候选区域是否为真正的人脸。算法在保留肤色人脸检测简单、高效的基础上提高了人脸检测正确率。最小距离分类器因为其简单、高效而成为一种广泛应用的分类方法，但最小距离分类方法距离度量的选取通常都没考虑特征分量间的相关性和类别之间潜在的亲疏关系。为了更充分的利用类均值特征向量在对测试样本分类时的影响，本文提出一种基于类均值表示的分类器方法。首先，利用训练样本类均值来对测试样本进行加权表示，权重系数满足对于测试样本导数最小的约束，最后，分类器将测试样本归类到与其加权类均值距离最小的那类。改进分类器方法的距离度量更好表征了测试样本和训练样本的关系，实验对比中具有更低的误别率