人脸识别是生物特征识别中一个活跃的研究领域,目前已经在身份鉴别和权限控制等方面得到了广泛的应用,是计算机科学与技术和模式识别领域中非常活跃的研究课题。支持向量机方法具有全局最优、结构简单、推广能力强等优点,因此作为结构风险最小化准则的具体实现,最近几年得到了广泛的研究与发展。人脸作为一个非刚体,具有形变大、影响因素多且易受干扰的特点,而相对于图像向量维数而言,人脸识别又是一个高维、非线性小样本问题。本文针对于人脸数据库,分别对特征提取和支持向量机算法进行了改进,使其更适合解决人脸识别的问题。本文主要工作如下:(1)研究了用于人脸图像的预处理和特征提取方法,采用了光照补偿、直方图均衡化等处理方法,并提出在采用线性判别分析进行特征提取之前先利用主成份分析进行降维的方法来获得特征向量作为人脸识别的输入向量,并给出实现算法:(2)研究了将一个多类问题分解为多个两类问题和将一个多类问题统一为一个两类问题两种转化方法,提出了在分类过程中采用两阶段的策略,先利用相似性将类似人脸图像聚类成k个小样本集,再在小样本集上采用一对多SVM分类方法进行识别;(3)在ORL和YALE人脸数据库上进行仿真实验,验证算法的有效性,人脸识别实验中从训练时间、测试时间和识别准确率等方面对几种基于支持向量机的多类分类方法进行了比较,证明本文的方法明显优于其他的方法,更适合于人脸识别等实时性要求较高的应用。