人脸检测与识别技术是模式识别和计算机视觉领域中非常活跃的研究课题之一，是进行身份认证最自然直接的手段，在视频监控、证件验证、门禁系统等领域都具有十分广泛的应用前景。尽管人脸机器自动识别是一项极具挑战的难题，但它在理论和应用中的潜在价值一直激励着科研人员不懈地努力。本论文致力于基于彩色静止图像的准正面人脸检测与识别方法研究，重点研究了统计特征提取和分类识别环节，所做的工作如下：1．研究了彩色图像的肤色区域分割，给出一种优化阈值区间的方法。根据颜色空间中肤色与非肤色的分布特点，构造了一个准则函数，依据该准则函数分别对YCbCr颜色空间的Cr分量阈值下限和Cb分量阈值上限进行优化，提高了阈值区间内皮肤与非皮肤样本的比例之差。2．改进了基于支持向量机(Support Vector Machine，简称SVM)的人脸验证算法。将人脸图像分成三个模块，对每个子图都进行离散余弦变换(Distance Cosine Transform，简称DCT)，并以能量比率为标准，选取适当的DCT系数作为各子图的特征向量，不仅保留了人脸的主要特征，还降低了样本的维数；利用各子图的特征向量分别训练出三个独立的SVM分类器，采用级联结构，对人脸候选区域进行验证，提高了验证速度。3．提出了一种基于局部核主分量分析的人脸识别改进算法。根据人脸的器官分布特点，将人脸图像划分成若干个局部区域，通过核主分量分析(Kernel Principal ComponentAnalysis，简称KPCA)对整个人脸区域和各局部区域提取非线性特征，将这些特征向量组合在一起，构成一个特征向量矩阵来表征人脸，这种表征方式改善了KPCA算法在处理局部特征方面的不足，较好地体现了人脸结构的局部信息和整体信息，提高了识别性能，同时缩短了识别时间。4．实现了一个彩色图像人脸检测与识别MATLAB仿真系统。该系统能够对彩色图像进行人脸检测和识别，并可对样本集中的灰度人脸图像直接进行训练和识别。