支持向量机(Support Vector Machine，简称SVM)是一种建立在统计学习理论基础之上的机器学习方法，是模式识别领域的新方法.和神经网络算法类似，它主要也是用于解决分类问题和回归问题的，已经在很多领域有了广泛的应用，如；图像检测，人脸识别，经济预警等.本文就支持向量机算法在图像检测及识别中的应用进行深入的研究. 本文的主要研究工作如下： 1.针对支持向量机中的决策函数的复杂度问题，提出了一种利用线性核来解决线性不可分问题的算法.试验表明，利用我们的算法来解决人脸检测问题时，不但能够达到非线性核(例如：rbf核)的分类精度，而且运算速度比用非线性核快得多，基本上达到了实时检测图像的目的. 2.核函数中的参数选择是支持向量机中的一个很重要的问题，它直接影响模型的推广能力.K-L交叉验证是核参数选择的一种普遍方法，到目前为止，也是最实用的，但速度却很慢.为了提高该方法的速度，本文提出了一种由粗选到细选的筛选方法，试验证明了我们算法的实用性. 3.普通的C-支持向量机是以解决一个二次规划问题来实现算法的，训练速度很慢，在大多数图像处理的文献中，多采用这种方法.本文尝试采用线性规划的支持向量机来解决图像的识别问题，在提高训练速度的同时，取得了很好的效果. 4.在图像检测过程中，巧妙的运用了支持向量机能够特征选择的特性，大大降低了图像的维数，使检测速度更加快速. 5.给出了运用支持向量机进行图像检测与识别的详细步骤，并用MFC进行了C++编程，建立了相关的系统.该系统不管是对验证我们方法的正确性，还是实用性方面，都是大有补益的.