自适应最近邻技术有效地克服了K-最近邻算法中k值敏感的难题,为最近邻技术的研究与发展奠定了基础。作为最近邻技术最新的研究方向,自适应最近邻技术在聚类、分类、离群点检测领域均取得了较好的效果。与此同时,自适应最近邻算法也存在着自身的局限性,如迭代邻域搜索过程中高昂的时间消耗的问题,近邻域定义不够准确的问题。本文重点研究了自适应最近邻技术,通过对自适应最近邻技术的研究与分析,提出了快速自适应最近邻算法。然后基于快速自适应最近邻算法的研究成果,将成果算法与子空间学习中的边界费舍尔(Marginal fisher analysis,MFA)算法结合来提升MFA算法的分类准确率。最终将算法应用到门禁人脸识别系统中。以下是本文的主要工作:第一,针对自适应最近邻算法存在近邻域搜索时间复杂度高、近邻定义不够准确等问题,本文提出了一种基于严格筛选规则的快速自适应最近邻方法。在经典人脸数据库数据集和人工数据集的实验中,本文提出的算法时间复杂度明显低于自适应最近邻算法。第二,通过对子空间学习算法中经典的MFA算法地研究,我们将自适应最近邻算法与MFA算法进行有效地融合,并提出了一种基于快速自适应最近邻算法的MFA算法。在GT,Extended Yale及Feret数据集上均表现良好。第三,本文在人脸识别相关技术的研究基础上,详细阐述了人脸识别门禁系统的基本框架和主要功能模块,最终设计了一套人脸识别原型系统。