支持向量机(support vector machine,SVM)是建立在核函数基础上的机器学习算法，在模式识别，模式回归等领域有着广泛的应用。不同的核函数，同一核函数不同的核参数，对于SVM泛化能力的影响是显著的，在一些复杂的问题中，特别是数据具有异构性，样本分布不平坦的情况下，单一核函数已经难以满足问题的需要，近些年来有学者提出来多核支持向量机算法，多核支持向量机算法通过将这些核函数组合起来学习，得到更高的泛化能力。传统的多核支持向量机的合成核函数构造中，其核函数的权系数是常数，无法体现局部信息，局部多核支持向量机算法(LMKL)是一种变系数的多核支持向量机算法，其利用选通函数局部的选取合适的合成核函数，但是，其选通函数有严重的参数沉余的问题，为此，本文提出来改进的局部多核支持向量机算法(ILMKL)，在其目标函数中加入正则项，区别于LMKL中选通函数的l1范数形式，本文使用选通函数的l p范数形式，增强核函数间的“互补”作用。人脸图像的特征提取是进行识别工作的一个前提，特征提取的好坏直接影响识别工作的结果，而分类器的设计是人脸识别工作的核心，因此，本文重点研究人脸识别中的特征提取和分类器的设计，在特征提取阶段，主要使用基于代数特征的方法中典型的主成分分析法(PCA)和基于频率域特征中典型的小波分解方法，在分类器设计阶段，分别使用SimpleMKL，LMKL和本文提出的ILMKL算法作为分类器。实验选用UCI数据库和ORL人脸库来验证ILMKL算法的有效性，实验结果表明，提出的ILMKL算法有着出色的识别准确率，和良好的运算效率。