支持向量机方法具有全局最优、结构简单、推广能力强等优点，因此作为结构风险最小化准则的具体实现，最近几年得到了广泛的研究与发展。支持向量机是一种新的机器学习算法，目前国内外对它的研究还存在不足。本文针对于人脸数据库，对两种支持向量机算法进行了改进。一是针对于最临近支持向量机，改进算法实现了更快、更适合应用于小样本的生物特征识别当中；另外针对于多面的最临近支持向量机的高维小样本奇异问题、多类问题也进行了改进和完善，使其更适合解决人脸识别的问题。　　本文的研究内容主要包括以下几个方面：　　(1)对支持向量机算法和人脸识别的研究现状和发展状况都进行了深入的研究，并实现了几种常用的支持向量机。同时也研究了几种分类器，如最近邻分类器、最近特征线、线性和非线性支持向量机分类器，并实现对相同人脸数据库实验结果的对比。　　(2)深入研究了最临近支持向量机，并对其进行了改进，使其适合对小样本高维数据进行分类，同时也实现了其多类算法。采用几种典型的泛化线性鉴别分析方法，分线性和非线性两种方式对数据库中的人脸图像进行特征提取。　　(3)详细研究了基于泛化特征值问题的多面最临近支持向量机，它对小样本、多类的问题没有给出解决方法。本文把原算法作以改进，即把求解最小优化问题变成了求解最大优化问题，解决了因人脸数据维数高、样本数小而产生的奇异值问题。同时也实现了其多类算法，找出在生物特征识别中应用比较出色的多类算法。并用原算法和改进的算法来分别对四个公开的人脸数据库进行分类比较，从识别率和所用的处理时间两方面都得到了极大的改进。　　本文的结论是在四个公开的人脸数据库上的实验得到的，反映了支持向量机的模型和人脸识别特性，为支持向量机在更复杂的生物特征融合系统中的进一步应用提供了理论基础；对于其他支持向量机的研究和使用者也具有一定的参考价值。