随着计算机技术的发展,并行技术是一个新兴的研究方向,是近年来人脸识别研究领域中的一个热点。而在人脸识别中的神经网络分类器技术是人脸识别中的基础。本文基于人脸识别中神经网络的并行化应用,对并行PCA算法、并行遗传算法,多维BP神经网络、多岛遗传算法优化的神经网络及多宇宙量子遗传神经网络的核心算法进行了深入的研究。首先研究了人脸特征提取算法的并行优化策略。待识别人脸的特征提取通常是人脸识别过程中的一个必要步骤,而相对于其它算法PCA算法具有更高的鲁棒性,但是PCA算法受到硬件限制较大,并且相对于其它算法本身不具备硬件处理速度优势。针对这些问题本文提出了一种PCA算法的线程级并行优化算法。使用OpenMP和SSE两种方式对PCA算法实现并行优化;在特征提取的过程中,通过对ORL数据库中待检测人脸数据的实验,可以发现PCA算法在多核计算机上并行速度可以达到原串行算法速度的1.67倍。其次研究了神经网络分类器权值遗传算法的并行优化问题。遗传算法是神经网络权值优化的最常用算法之一,随着遗传进化过程的不断进行,在趋向最优解的过程中往往会出现基因相同的个体,而这样的重复个体会导致有效的最优解减少,使算法整体效率降低。为此,本文提出了一种记忆遗传算法,引入了基因库的概念,对已有的个体分配各自的适应度值,通过对比适应度值避免了个体的重复现象,提高了算法效率。进而对记忆遗传算法进行了多线程并行优化。在解决TSP实际问题中,实验结果表明,相对于经典的遗传算法,多线程并行遗传算法有更快的收敛速度和更高的系统效率。再次提出了一种多维并行的BP神经网络算法。BP神经网络算法是常用的人脸识别分类器算法,在处理多数据问题时算法收敛性和速度是制约其应用的因素,本文提出了一种多维并行的BP神经网络算法,将BP神经网络分为若干“镜像网络”,将待识别的数据分割为同样数目的数据集,每完成一次训练,进入一次处理中心完成数据交换。实验结果表明,多维并行BP神经网络拥有更快的收敛速度,在四核PC实验平台上可以达到原算法的10倍收敛速度。然后研究了并行遗传算法对神经网络权值的优化问题,提出了一种并行遗传神经网络算法。在对神经网络的优化问题上,一般采取的方式分为拓扑结构优化和权值优化。本文提出一种新的自适应遗传算法,能够快速的搜索到最优解,通过分割初始种群的方式,对新的自适应遗传算法进行了并行优化;以并行遗传算法来优化的多维并行神经网络的权值,形成了新的遗传神经网络的并行算法。实验结果表明,新的并行遗传神经网络算法在收敛速度方面更加优越,在多核PC机实验平台上可以达到更快的运行速度。最后研究了并行的量子遗传算法神经网络权值优化问题。在传统的遗传算法中,交叉、变异过程往往占据了主要的系统资源,为了避免繁琐的交叉、变异的过程,本文引入了量子计算的概念。在量子计算的过程中使用量子旋转门实现染色体的更新操作,引入量子交叉克服了早熟收敛现象,避免了遗传算法中繁琐的交叉、变异的过程。实验结果表明,相对于原来的遗传算法,量子遗传算法在鲁棒性和实验速度上都有明显的提高。在多核PC机上,对大规模数据可以达到传统神经网络人脸识别系统14倍以上的运行速度。