人脸识别作为目前生物特征识别中最有潜力的一个分支,有着广泛的应用前景,现已成为模式识别、计算机视觉以及信息技术等相关学科中最为活跃的研究领域之一。　　 由于人脸识别是典型的高维小样本训练问题,因此降维和特征提取成为了人脸识别中的核心问题。本文针对这两个方面进行了系统地研究,利用非负矩阵分解算法基于局部特征提取的特点,对分解后的基矩阵进行优化,在此基础上提出了一种利用小波变换和非负矩阵分解的特征提取方法,并对支持向量机的多类分类方法进行了改进,最终完成了一个完整的人脸识别系统。　　 本文所做工作如下:　　 (1)研究了小波变换理论及其在人脸识别中的应用,将二维离散小波(DWT)变换应用到图像预处理中,有效地进行降维,且能在一定程度上去除噪声等干扰,并通过实验对识别率和运算时间进行比较以确定了小波基的选择。　　 (2)对非负矩阵分解算法(NMF)及其优化算法局部非负矩阵分解算法(LNMF)进行了深入地研究,从理论上分析了算法的特性。针对LNMF算法迭代规则运算较为复杂的特点提出了另一种改进算法并将其应用到特征提取中,在NMF算法的基础上,将得到的基矩阵中每一列分别进行处理,通过阈值判断提取出能够突出表现人脸特征的部分,并将样本在新的子空间上投影以得到对应的特征向量。　　 (3)研究了支持向量机(SVM)的分类方法,针对本文实验中数据样本量较大的特点以及SVM多类分类器中存在判定冲突的问题,提出了改进的SVM算法,对SVM算法的预测结果进行二次处理以提高系统识别率。　　 (4)在MATLAB平台下对上述算法进行了实现,并利用人脸数据库进行了相关实验。实验结果表明,本文所提出优化方法运算时问较短,能有效地降低数据维数,并能明显地提高系统识别率,特别是在人脸有部分遮挡的环境下,本文提出的优化算法有良好的鲁棒性和较高的识别率。