目前,人脸识别技术已经被应用于我们的日常生活当中的某些领域,但是该技术在手机端身份验证和支付这些场景中的应用还没普及,一方面是由于人脸识别准确度面部姿势、光照、表情变化影响较大,另一方面是目前已有的对复杂环境下的人脸分类效果好的分类算法计算量太大,不适合应用在内存较小的手机端。因此,本文的研究目的是改进计算量小的分类器设计,提升人脸在不稳定条件下的人脸识别率。在模式识别领域中,基于最近邻分类器提出的最近特征面分类器(Nearest Feature Plane,NFP)和线性回归分类器(Linear Regression Classifier,LRC)是两种计算量小且分类识别较好的分类器,具备被应用于手机端的条件。因此,本课题对线性和非线性回归分类器的算法思想进行了详细的分析和研究,基于线性与非线性回归分类器的算法思想提出了几种分类器的设计方法。本文的研究方法和成果包括以下几个方面,针对分类过程中易错分点的分类不精确性问题,基于线性回归分类器的算法思想,提出了三种改进的分类器,分别为基于点线距离分类器、伪线空间分类器和距离受限分类器。三种新方法分别利用了样本点与回归直线之间的距离信息及样本点间的空间特性对线性回归算法进行改进,大量的对比实验表明新方法可以有效提升分类器在光照、角度和表情变化下易错分人脸图像的识别率。同时,基于核函数和最近特征面分类器,提出了一种加核最近最远分类器和基于中心受角度限制的最近特征面分类器。其中,加核最近最远分类器利用核函数能有效地解决样本非线性可分问题的优势,将核函数与最近最远线性回归分类器结合,有效地提升了原样本空间中非线性可分样本的分类准确性。而基于最近特征面的通过增加角度来改进由于特征面的无限延长而引起的交叉样本错分问题,通过将两种分类器在多个标准人脸库上与其他的改进方法进行对比实验,验证了两种新方法对易错分交叉样本的分类准确性。