模式识别作为机器学习和人工智能的一个重要领域,在生物识别、图像检索等诸多领域中得到广泛应用。相关模式识别作为模式识别中的一个重要的子领域,使用相关滤波器用于分类。虽然相关滤波器本身具有一些优良特性且种类繁多,但仍存在相关峰不够尖锐、所需训练时间长和混叠等问题。针对上述问题,本文主要对二次相关滤波器算法和零混叠相关滤波器算法进行改进研究。首先,回顾相关滤波器通用的设计原则,通过实验介绍相关滤波器的优良特性。接着,利用有约束相关滤波器和无约束相关滤波器中预先白化图像的思想,改进二次相关滤波器,使得生成尖锐的相关峰,改善识别性能。并针对二次相关滤波器训练时需要进行大矩阵运算的问题,利用二次相关滤波器仅需要非零特征值对应的特征向量这一事实化简矩阵运算,改进训练过程,加快训练速度。在AT&T人脸数据库和Yale人脸数据库上进行的实验结果验证本文方法的有效性。最后,零混叠相关滤波器使用梯度下降法进行训练,为了克服梯度下降法可能出现锯齿现象和收敛速度慢的问题,使用非线性共轭梯度法替代梯度下降法以进行改进。通过在AT&T人脸数据库和Yale人脸数据库上的实验结果表明,在保持零混叠相关滤波器的识别性能的同时,改进的训练方法能有效加快收敛速度。