作为图像处理和图像分析在生物特征认证领域最成功的应用之一,自动人脸识别(Automatic Face Recognition, AFR)最近几年来成为研究热点,受到广大学者的特别关注。自动人脸识别相比其它生物特征识别具有直接、方便、友好等特点。单训练样本是许多实际应用中的一个限制条件,而现有的许多算法在单训练样本条件下识别率会急剧下降有些甚至无法应用。因而对单训练样本条件人脸识别技术的特别研究,具有重要的理论意义和应用价值。本文首先介绍人脸识别课题的研究背景与意义,总结和分析了国内外人脸识别研究的现状与进展。围绕人脸识别的具体应用,详细分析了单训练样本人脸识别问题的特殊性,提出了一种新的基于多姿态虚拟样本生成和图像信息增强的人脸识别算法。该方法应用Candide-3模型,将正面的人脸通过姿态调整产生多个不同姿态下的人脸图像,同时结合基于训练样本增强的统一基空间奇异值分解方法进行特征表示与增强,应用最近邻法进行分类取得了很好的效果,缓解了由于样本限制而导致的识别率骤降问题。自动人脸识别技术包括人脸辨识和人脸验证。但目前大多数研究工作集中于人脸辨识的研究,很少有文献对人脸验证特别是其特殊性进行深入的探讨。基于这一现实,本文集中讨论了自动人脸识别技术中人脸验证问题的特殊性。针对人脸验证问题的特殊性提出了一种基于Candide-3和支持向量机(Support Vector Machines, SVM)的单训练样本人脸验证方法,该方法通过对重建模型的旋转产生姿态不同的数字人脸,将它们和原始样本一起作为训练数据,应用二分类问题的经典工具SVM进行分类匹配。实验结果表明经过Candide-3建模处理,采用SVM进行分类的人脸验证方法有了接近多样本人脸识别算法的识别率。最后,本文针对具体应用对考生身份验证系统的需求进行了分析,设计了基于SVM的考生身份验证系统。分析了系统工作环境、样本集构造、核心识别算法选择以及阈值确定等人脸识别系统共性问题。