近年来，国内外各种研究机构和高等学府都展开了人脸识别技术的前沿研究和探索，不断涌现出许多新的成果，已逐步进入到应用推广阶段。现今，人脸识别算法所面临的主要挑战是：在光照、环境以及被识别人本身的化妆、年龄老化、胖瘦变化、表情变化、脸部装饰等因素的影响下，识别算法常常不能准确工作。因此，在现阶段，如何提高识别算法在恶劣光照下以及在面对不同时期的人脸时的准确率，是研究的重点。 在本文中，提出了一种结合贝叶斯分类规则和FISHER线性判决分析，同时采用人脸的全局特征和关键局部特征，通过加权相似度求和的策略对多个分类器进行融合的一种综合性的人脸识别算法。 首先，整个方法以贝叶斯分类器为基础，基于贝叶斯公式给出的后验概率，通过对训练数据采用高维空间的子密度估计来求出两图片的差在贝叶斯类间子空间上的概率相似度，从而判断它们是否属于同一个人，贝叶斯方法的强大分类决策能力使得它非常适合应用于人脸识别。 其次，为了克服贝叶斯方法计算量大，存储要求高的缺点，本文创新性的提出了一种把贝叶斯方法和FISHER判决分析相结合的思路。FISHER判决分析是以一种样本的可分性为目标，寻找一组线性变换使每类的类内离散度最小，并且使类间的离散度达到最大的一种子空间方法。实验证明，FISHER判决分析与贝叶斯方法的结合不仅减少了程序的计算量，降低了数据库的存储要求，同时还提高了算法的识别率。 人脸图像的一些关键局部区域包含了丰富的特征信息，许多基于局部特征的人脸识别算法有着很好的表现。本文的识别算法就采用了人脸的全局和局部特征，通过加权相似度的求和对各分类器进行融合，大大增强了算法在光照影响下的识别效果，同时也减轻了人脸老化以及面部装饰变化等不利因素的影响，提高了整体的识别效果。 经过在普通人脸数据库，不同光照条件下的人脸数据库，年龄不同的人脸数据库等的测试，该算法的识别结果比传统的识别方法(如FISHER等)有了很大的改进，因此，我们认为基于贝叶斯多分类器融合的人脸识别算法是一个综合表现优秀的识别方法。