生物特征作为人类个体的内在属性,具有很强的个体独立性和区别差异性。因此,如何有效地将个人的生物特征应用于计算机智能信息处理领域吸引了广大学者们的浓厚兴趣,希望计算机能够更好地具备类似于人类的感知识别能力。现阶段,应用于机器识别的人类生物特征识别主要包括人脸识别、指纹识别、虹膜识别和掌纹识别等,并广泛应用于安全验证系统、视频会议、人机交互系统等。近年来,基于人脸图像的生物特征识别研究取得了巨大的发展,而性别分类作为人脸识别的一个研究子集,不仅能够应用在商业统计系统,智能机器人研究等领域,同时又是验证机器学习大规模分类器性能的一个很好的代表性问题,具有极高的研究价值。与人脸识别类似,性别分类主要分为图像预处理,特征提取和模式分类等三个部分。本文主要对于应用在性别分类的特征提取和分类技术进行了系统、详细的研究,并重点介绍了在性别分类问题上使用区别于传统人脸内部特征的头发特征,并分析了其分类性能。在人脸图像的预处理阶段,本文主要采取了儿何变换、直方图均衡和关键区域增强等方法。这些工作有效地对人脸图像进行了归一化工作,改善了图像质量,降低了计算复杂度,从而有利于提高后续算法的精度和收敛速度。在性别特征提取阶段,本文简要回顾了几种经典的人脸内部特征提取方法:特征脸(PCA),Fisher脸(LDA)和Gabor小波特征,提出了一种检测人脸正面图像上的头发区域的方法,并且定义了6种特征来表示头发信息并且给出了每种特征相应的计算方法。在性别分类阶段,本文着重于研究基于最小最大模块化支持向量机在人脸性别分类阶段的性能。最小最大模块化分类器主要由两部分组成:对识别问题进行有效地分解和组合通过分解得到的多个子问题的分类结果。利用最小最大化模型,我们可以实现对不同分类器的性能提高。在本文中,我们主要介绍了最小最大模块化支持向量机的原理并详细分析了其任务分解方法和模块集成规则,包括随机分解,超平面分解和基于先验知识的分解等。最后,本文给出了在三个不同的人脸库上进行的性别分类仿真试验,比较了不同的特征提取方法在人脸性别特征上的表征能力,以及最小最大模块化支持向量机和传统的支持向量机的分类能力。通过实验结果证明了,Gabor小波特征和头发特征比传统的特征脸,Fisher脸具有更好表征能力;基于先验知识的M~3-SVM比传统的SVM和基于随机分解的M~3-SVM有更强的分类能力。