人脸识别是生物特征识别的一个重要分支,在信息安全、刑事侦破、出入口控制等领域有着广泛的应用前景。人脸识别的本质是分类问题,传统的分类方法容易出现过学习现象,支持向量机因其出色的学习能力、泛化能力强等优势,已经成为人脸识别的首选分类器。但当训练样本规模过大时,如何解决训练速度与训练样本规模间的矛盾仍然是目前的研究热点,本文针对进化算法有很好的自适应性、并行性、能较好的处理大规模复杂数据,尝试将混沌理论以及粒子群算法应用到该问题的研究中。本文的主要工作包括：1.提出一种新的混沌模型-circle模型,在matlab上的实验结果表明circle模型可以产生分布更加均匀的混沌变量。2.结合混沌理论的粒子群优化算法。基本粒子群算法在搜索过程中粒子的搜索空间是一个有限的区域,不能覆盖到整个空间,容易陷入局部最优。本文利用混沌系统遍历性和对初值的高敏感特性,将混沌思想与粒子群算法相结合,避免粒子群算法陷入局部最优,增强算法的全局搜索能力。3.提出一种应用混沌粒子群算法训练支持向量机的方法。利用混沌粒子群算法很好的并行计算能力,解决训练大规模数据时速度慢的问题。在人脸数据库上的实验结果表明,该方法能够提高训练支持向量机的效率。