人脸是一种相对稳定的生物特征,也是一种安全度比较高的身份认证方式。由于应用前景广阔,人脸识别引起了很多学者的研究兴趣。到目前为止,研究人员提出了很多识别算法,其中有些算法逐步成熟,已经在安保、金融以及无人驾驶等领域得到了实际应用。近年来,基于深度学习的人脸识别成为热点并且得到了很高的识别率。但基于深度学习的人脸识别算法模型训练时间长,计算复杂性高并要占用大量的计算资源。针对此问题,本文基于宽度学习这一新的机器学习方法,研究了人脸识别问题,主要工作如下:首先,提出了一种基于宽度学习的人脸识别算法。该算法首先利用灰度直方图均衡化消除光照的影响,再用Fisher鉴别准则提取人脸特征形成Fisher特征脸,所得到的特征作为宽度学习网络的输入用于训练宽度模型。由于宽度学习网络是单隐层网络,采用最小二乘类算法训练,训练时间大大缩短。另外,除了直接输入的人脸Fisher特征外,宽度网络的特征增强层还进一步将Fisher特征进一步增强,间接利用了人脸的深层次特征。实验结果表明,本算法在占用较少计算资源的情况下,获得了较高的识别准确率。其次,提出了一种基于宽度学习的表情识别算法。与文献中的其他算法不同,该算法直接以低质量小尺寸的表情图像作为输入训练宽度学习网络而不需要进行特征提取。所提出的算法利用宽度学习网络内在的特征增强层来提取输入表情图像的潜在特征。实验中,运用JAFFE表情库中的图像对所提算法进行了测试,结果表明,所提算法的正确识别率高于现有文献中的方法。最后,提出了一种结合宽度学习和极限学习机的人脸识别算法。该算法借鉴自编码的思想,先将待识别的人脸输入到宽度学习网络,学习出一个宽度自编码器,也就是说宽度网络的输出等于输入的人脸。将学习得到宽度自编码器的权值作为人脸特征。这些权值特征进一步用来训练极限学习机完成人脸识别过程。该算法用ORL人脸库进行测试,结果表明该算法在人脸存在光照不均匀以及姿态不正的情况下,能获得很高的识别率。