近年来,自动人脸识别技术不断取得进展并投入商业应用,但可见光图片的人脸识别技术的识别率受光照表情等外在因素的影响较大。本文研究了基于级联多分类器和多模式融合的人脸识别技术。　　 本文首先研究了基于多分类器级联方法的人脸检测技术。基于AdaBoost算法构建了包含19层级联分类器、超过1700个矩形特征的人脸检测系统。在IMM人脸库、Yale B人脸库的子库和自建人脸库上对该检测系统进行测试,实验结果表明基于级联分类器的检测方法比传统的特征子空间法在检测率上提高了十几个百分点,检测速度达到每帧0.1秒。　　 论文设计了线性和非线性人脸识别方法以研究样本集大小对识别率的影响。在CAS-PEAL、ORL和自建的三个可见光人脸图像数据库的实验结果表明:样本集的增大对非线性识别方法几乎没有影响；但样本集的增大会导致线性识别方法的正确识别率下降。因此,对大规模人脸数据库更适合采用非线性人脸识别方法。　　 最后,论文研究了基于可见光图像和红外热图像相结合的多模式人脸识别技术。对人脸的可见光图像和红外热图像分别进行小波变换,并对每一个尺度上的分解结果进行融合得到重要的小波系数,最后进行小波逆变换,求得融合图像。该方法增加了图像的信息量和每类的特异性,从而改善图像的识别率。在自建人脸图库上的实验结果表明,采用图像融合处理后图像的识别率比单独的可见光图像和红外热图像方法最高分别提高了11.30％和4.17％。