随着人工智能理论的研究深入,模式识别的研究取得了更进一步的发展,可应用的领域也不断的扩展开来。智能与模式相结合,利用机器模拟人类感知外界,包括接受信息,处理信息等,因此,智能模式识别已经成为主流的研究方向,在实际应用中也得以体现,例如指纹识别,人脸识别等等。智能模式识别的方法多种多样,为了提高智能模式识别效率,本文从两个方面着手展开工作,主要包括以下两个内容:1、径向基函数神经网络(Radial Basis Function Neural Network ,RBFN)是近年来受到广泛重视和研究的神经网络,也是智能模式识别方法中的一员,单一的RBFN已经不能满足人们的需要,因此RBFN与其他方法相结合,取长补短,继而可以获得更好的应用效果。但是这种做法忽视了网络本身原型的重要性和局限性,将超平面这一思想引入RBFN,从一个新的角度来诠释RBFN的原型,传统的RBFN中隐节点的基函数采用的是欧式距离函数,即点到数据中心点的距离。在新型的RBFN中,基函数采用得是点到数据中心超平面的距离,以数据中心超平面代替了原有的数据中心点,对于数据之间关联性较强的数据集,特别是数据本身是围绕着数据中心成平面分布的数据,超平面能更好的表达数据之间的内在联系,更好的反映了数据的分布情况和方向性。在UCI高维数据集上取得了较好的效果。2、此外,多种算法相结合也是提高智能模式识别的手段之一。在传统针对人脸识别的算法中,大多是对正面人脸进行估计,当人脸姿态发生变化时,大多数算法识别率都大大的下降。随着人脸姿态的改变,原来具有人脸特征的部分随着角度的变化被遮挡,人脸判定特征的流失是导致多姿态人脸识别率下降的主要因素。为了解决实际过程中出现的人脸姿态转动影响人脸识别率的问题,提出了有监督的流形与张量分解相结合的人脸识别算法。通过引入监督的信息,利用有监督的流形算法将人脸转动的姿态流形提取出来,再结合张量分解和高斯核函数将姿态映射到高维的数据空间,以此建立人脸识别的模型。通过对高维多姿态人脸数据进行测试,得到了较好的效果。