自动性别分类是计算机视觉研究的一个重要课题,它在视频监控,机器人视觉,智能人机对话以及自动人口数据收集等领域有着广泛的应用。本文的研究重点是基于人脸图像特征的性别分类及其分类器的信用值问题研究。主要贡献有以下几个方面：1)提出了多分辨率局部Gabor二值模式(MLGBP)特征提取方法,其基本思想是结合带有高斯金字塔的多分辨率分析、Gabor滤波器和局部二值模式(LBP)。MLGBP特征提取方法的创新在于：(a)利用带有高斯金字塔的多分辨率分析引入一系列大小不同的图像来全面描述人脸的精细与粗糙局部微观模式及空间信息；(b)提供两种划分不同大小Gabor图像的方式,一种方式是将来自所有多分辨率图片的Gabor图像均等地划分成互不交叠的区域,另一种方式是将每个Gabor图像根据其大小按比例划分成互不交叠的区域。为了减少原始MLGBP特征的维数,我们提出了两种方法用于映射分块区域的MLGBP特征,一种是线性判别分析(LDA)从而产生MLGBP-LDA,另一种是映射区域特征到类的中心连接线上(CCL)而得到MLGBP-CCL。实验结果显示,在绝大多数情况下,MLGBP-CCL优于已有的六种特征算法。2)提出了融合头发和人脸特征信息的性别分类方法。首先,我们利用图像二值化、边缘识别、轮廓提取及小波变换等获取一个几何头发模型,该模型包含的特征属性有头发长度、头发面积、头发颜色、头发纹理及分角位置。其次,利用局部二值模式特征算法用于提取标准化和预处理后的人脸图像的特征。为了整合不同的特征,我们提出了基于支持向量机的模糊积分融合算法。相比使用单一特征,在AR、CAS-PEAL、FERET数据库上的实验结果显示模糊积分融合算法能改进分类精度。3)探索了如何将人的先验知识合并到机器学习中,提出了一种带有信用值的支持向量机(SVMC)。SVMC方法的创新有以下两点：(a)得出了SVMC的二次规划问题,并从理论上分析了在特定情形下SVMC是否能改进分类性能；(b)在性别分类问题上将SVMC与传统的SVM比较。实验结果表明,当为所有的训练样本标记适当的信用值时,SVMC能显著地改进分类精度。4)提出了一种带有自动估计信用值的支持向量机(SVMAC),并将其应用于模式分类。该工作对学习机器的贡献在于以下两点：(a)开发了一种自动计算每个训练样本信用值的算法,从而在训练支持向量机过程中考虑引入所有训练样本的信用值标签；(b)嵌入每个训练样本的估计信用值到学习中,并得出了相应的二次规划问题。为了表明该方法的有效性,我们在标准模式分类问题和实际的性别分类问题上做了一系列实验,实验结果显示SVMAC的泛化性能要优于传统的SVM。5)将SVMAC分类器嵌入到最小最大模块化网络,提出了带有自动信用值的最小最大模块化支持向量机(M3-SVMAC),并应用于性别分类。在M3-SVMAC中,我们一方面利用M3网络具有的解决大规模样本训练和不平衡问题及并行计算等优点；另一方面借助了SVMAC相比于传统SVM所具有更好的分类性能。基于人脸图像的性别分类实验结果表明,M3-SVMAC相比于M3-SVM能显著地改进分类精度。