相对于其他生物特征识别技术，人脸识别具有操作简单、结果直观、隐蔽性好的优点。因此人脸识别技术应用广泛，可用于身份识别、人脸视频检索跟踪以及人机交互等诸多领域。这些潜在的巨大应用前景使得人脸识别技术逐渐成为当前模式识别和人工智能领域的一个研究热点。目前，国内外已提出大量的人脸识别方法，这些方法主要集中在两个方面：一方面是如何从背景图像上检测到人脸图像，并从检测到的人脸图像提取分类特征；另一方面是如何针对提取出的人脸特征设计有效的分类器，实现对人脸的正确分类。本文的主要工作是用最接近认知模型的贝叶斯网络模型对人脸进行分类。本文针对人脸的分类问题，提出了一种基于贝叶斯网络的生成人脸模型，主要思想是首先根据日常生活中的认知理论建立贝叶斯网络模型，网络的输入是脸上突出的面部器官特征（在模型中认为各器官具有相关性），输出是脸的具体类型。然后按照一定的算法提取人脸面部器官的特征向量，最后通过高斯分布和联合树算法计算出具体的类别。在不同类型的数据集（良好、略差、很差）的实验表明，该算法比不考虑各器官相关性的混合高斯和隐马尔科夫模型的效果好，在不良数据集上的分类效果优于基于代数运算的一些算法。为了进一步改进模型，本文选取一些人脸的其他信息（包括人脸的整体信息、几何信息和颜色信息）作为提取到的人脸局部灰度图像特征的互补信息,分别衍生出了不同的贝叶斯网络模型。实验表明，引入整体特征信息的网络的识别率并没有显著地提高；如果脸部是正面的，几何信息的使用是有益的，在整张脸层面和局部特征层面引入脸的大小信息时都能提高分类性能；颜色信息在局部层面并且训练与测试条件相匹配的情况下被证明是有益的。