自动人脸识别是一个典型的图像模式分析、理解与分类计算问题，它涉及到模式识别，图像处理，计算机视觉，统计学习，和认知科学等多个学科。自动人脸识别问题的深入研究和最终解决，可以极大的促进这些学科的成熟和发展。同时作为生物特征识别主要研究内容之一的人脸识别和认证技术在国家安全和公共安全领域的应用前景十分广阔。虽然经过近40年的发展，但是由于人脸容易受到光照、姿态和表情等因素的影响，要建立一个精确和鲁棒的自动人脸识别系统仍然是一个极具挑战性的课题。近年来基于统计学习的模式识别方法引起了极大的关注，在自动人脸识别领域也取得了很大的成功，使得自动人脸识别系统在速度和精度方面都得到了比较大的提高。代表算法包括Boosting算法，SVM和贝叶斯学习等。本论文就是针对统计学习算法在自动人脸识别中的各个环节中的应用展开的，论文的主要工作和创新成果如下：1．通过广泛的调研，对人脸识别的历史和现状进行了比较全面的综述本文首先对人脸识别研究的历史和发展现状作了回顾，之后对人脸识别中的一些主要算法作了比较详细地介绍，重点介绍了基于静态图片的人脸识别算法，另外对最近几年备受人们关注的基于视频的人脸识别研究也作了介绍。最后还介绍了目前人脸识别系统的评测情况及国内外主要的公用人脸数据库，在此基础上分析了当前人脸识别研究面临的挑战及可能的技术发展趋势。2．针对AdaBoost算法用于人脸检测特征选择时存在的问题，提出了一种基于代价敏感的AdaBoost算法的人脸检测方法目前人脸检测的主流方法是Viola和Jones在2001年提出了基于AdaBoost算法的人脸检测方法。该算法的一个缺点是训练分类器时，将两类分类错误(漏检一张人脸和误检一张人脸)平等对待，即漏检一张人脸和误检一张人脸的代价是一样的。因为在实际应用中人脸的存在和出现是个小概率事件，所以漏检一张人脸的代价应当比误检一张人脸的代价大。为此，本文提出了一种代价敏感的AdaBoost算法，此算法设定漏检一张人脸的代价比误检一张人脸的代价大，然后通过学习使得两类分类错误的代价最小。实验结果表明，此算法能取得更好的学习效果，提高了人脸检测率。3．研究了人脸识别中用AdaBoost算法挑选特征时存在的不对称性问题，提出了一种基于AsymBoost和Fisher线性判别分析的人脸识别方法本文详细分析了用AdaBoost算法在人脸识别中挑选特征时碰到的非对称问题，如正负样本数量相差悬殊和学习目标的不对称。提出用非对称AdaBoost算法(AsymBoost)来解决人脸识别中的不对称问题，以及采用Fisher线性判决分析对挑选出来的弱分类器的权重进行优化，使得综合后的分类器能最大化不同类别数据间的可分性。实验结果表明，采用AsymBoost算法和Fisher线性判决分析后分类器的识别效果有较大提高。4．研究了贝叶斯学习在人脸识别中的应用，提出了一种基于LBP特征和贝叶斯概率统计模型的姿态鲁棒的人脸识别算法本文分析了姿势变化对基于LBP特征的人脸识别算法的影响，提出用贝叶斯概率模型对姿势变化进行建模，使得基于LBP的人脸识别算法对姿势的变化更鲁棒。实验结果表明，相比原基于LBP特征的人脸识别算法，本文算法在一个更大的姿势变化范围内能取得更高的识别率。