在对生物特征进行识别时,人脸特征由于其特有的友好性而有着天然的优势,然而目前一些正确识别率高的支持向量机(SVM)分类器、支持向量数据描述(SVDD)分类器、深度学习分类器等仍然有2%左右的错误识别率;并且对于考勤系统而言,会存在代考勤的情况即没有合适拒识机制。对人脸认证识别时,针对SVDD存在不能紧密包裹、没有合适拒识机制、正确识别率不能逼近100%的问题,提出了一种具有合适拒识机制的高正确识别率分类器设计算法—基于同类特征点集和包裹点集的同类特征区域紧密包裹曲面的求解算法(CES-SVDD),算法由“同类特征集合的紧密包裹集构造算法”、“基于同类特征点集和包裹点集的同类特征区域紧密包裹曲面的求解算法”、“多类分类器的合适拒识区域设置算法”组成,解决了传统分类器所存在的问题。为了使训练样本鲁棒化,对训练样本进行模糊、平移、旋转等扩充方法,使用扩充后人脸库进行实验验证,结果表明在较小拒识率情况下,CES-SVDD分类器正确识别率能逼近100%。针对人脸识别的有效性,将其应用于基于人脸识别的考勤系统,进而开展研究获取考勤信息,及时了解学生出勤情况、能够有效避免代考勤的出现。