模式识别技术从20世纪60年代初开始就发展成为一门热门学科,其理论和方法在很多科学和技术领域中受广泛重视,推动了人工智能学科的迅猛发展,人类进入准智能化时代。模式识别问题通常被分为两个相对独立的问题来研究:特征提取和分类,本文的工作将分别从这两个方面展开,本文将对特征提取方法作为重点探讨,所以内容安排上将分类器的研究放在了前面阐述。我们知道,真实人脸图像为彩色,人眼能分辨数千种颜色[1],但可鉴别绝对亮度却只有10¹5级的灰度,所以彩色人脸图像包含的鉴别信息要远多于灰度图像。如若能在利用人脸图像中反映形状结构特征的灰度信息,同时又能充分利用其彩色信息,则可以获取更多人脸间差异性的鉴别信息,提高算法识别率[2]。然而大多数经典模式识别算法都是基于灰度图像的[3],即:将彩色图像经某种变换来转换成灰度图像来处理,这不可避免地会丢失彩色图像部分的特征信息,同时导致包括经典最近特征分类器在内的分类器[4]只被广泛用于灰度图像分类,对彩色模式的分类能力很少被验证,我们将在本文完成这一工作,即将最近特征分类器拓展到彩色人脸识别中,并在Ar_color彩色人脸库上获得很好的实验效果,证明这类分类器在彩色人脸识别中的有效性及本文工作的必要性。目前代价敏感性学习方法也已成为研究的热点之一,并逐渐被应用到模式识别领域来解决相关问题,但将该学习方法应用到特征提取阶段的算法还比较少,Jiwen Lu的工作[5]比较新,但仍然是用于分类阶段、以追求最小的总体分类错误代价为目标,而不是以模式识别问题要求的高识别率为目的的,究竟代价敏感性学习方法的理论能否融合到模式识别问题的特征提取阶段、为我们正确的分类获取有竞争力的鉴别特征,尚无具体工作,本文的第二个工作将首次将代价敏感性学习方法成功融合到人脸识别的特征提取阶段,并提取一系列优秀的鉴别特征,在AR₆0人脸库、palmdata掌纹库、Concordia University CENPARMI手写体数字数据库三个数据库上获得让人欣慰的识别效果,证明只要合理的设计,代价敏感性学习方法在提高识别率方面是有发展前景的。