本文的主要研究内容是基于人脸图像的性别分类。人脸是人类最重要的生物特征之一,反映了很多重要的生物信息,如身份、性别、表情、年龄、种族等。随着计算机技术的快速发展,基于人脸图像的计算机视觉和模式识别问题也成为近些年研究的热点。但关注点主要集中在人脸的身份识别,即只是区分出输入的人脸图像是谁,而作为人脸识别技术的重要组成部分,基于人脸图像的性别识别不仅有助于提供更加个性化的人机交互方式,还可应用于相关的信息采集系统和图像监控系统。从理论意义上来说,对人脸图像的性别分类的研究也丰富了原有的人脸识别方法,提高人脸识别的正确率和图像检索效率。因此基于人脸图像的性别分类研究具有重要意义。一般而言,人脸图像的性别识别系统主要分为人脸图像的预处理,特征提取和分类器识别三部分。本文在这三方面进行了主要研究和创新：1)人脸图像预处理通常要先将彩色图像转换为灰度图像,然后使用直方图均衡化的方法实现图像增强,通过人眼定位确定出人眼的位置,进而实现人脸图像的几何归一化,最后进行能量归一化。本文使用了一种基于Gabor的人眼定位算法。2)在人脸图像识别研究中,已经有多种有效的特征提取算法获得广泛应用。本文分别研究了PCA, LBP, PCA-SIFT,并根据性别分类的特点,提出了增强型PCA-SIFT方法,使得到的特征向量具有了初步的性别判别,从而有利于后续的分类器识别。3)在分类器研究和设计阶段,深入研究了SVM和FSVM两种具有代表性的性别分类算法。对人脸性别识别分类问题引入模糊的思想,并且基于增强型PCA-SIFT方法提出了一种新的FSVM隶属度生成方法。该方法应用在FSVM中,可以很好的提高分类器的泛化能力。本研究在FERET, CAS-PEAL和BUAA-IRIP以及实验室自建人脸库共四个数据库上进行对比实验,结果表明本文提出的增强型PCA-SIFT方法可以提取具有初步判别性的特征,模糊支持向量机的分类器设计方法具备很好的识别能力。