支持向量机作为一种机器学习方法,较好地解决了非线性、高维数等实际问题,是机器学习领域的研究热点,为人脸识别提供了一条有效的路径。鉴于样本通常具有模糊特性且分布有稀疏的差别,在研究了现有的一些模糊支持向量机方法的基础上,本文提出了基于模糊K近邻的模糊支持向量机方法。该方法首先针对每一类样本,计算出样本均值,得到样本类中心点；然后计算出样本与中心点的距离,根据距离计算出样本的初始隶属度；计算每个样本的K个近邻点,按照模糊K近邻方法计算样本的隶属度,将初始隶属度和模糊K近邻隶属度以一定比例融合,得出样本的最终隶属度值。结合稻米图像检测问题,验证了该方法的有效性。针对人脸图像的特征提取,本文在重点分析了主成分分析方法和二维主成分分析方法的基础上,提出了用二维特征求解样本隶属度,用主成分特征进行支持向量机分类的方法。该方法结合了二维主成分特征在选取少量分量时人脸重构图像稳定的优点和主成分特征重构图像局部特征清晰的优点。为了与二维主成分特征分类结果进行比较,还通过引入矩阵内积,给出了针对二维特征的三类核函数。实验表明,本文提出的利用两种特征进行分类的方法在人脸识别中具有较高的精度。