独立成分分析(Independent Component Analysis,ICA)是近期发展起来的一种非常有效的盲信号处理技术。它从统计的角度使得分离出来的信号具有良好的独立性,广泛应用于语音信号,图像信号以及生物医学信号的识别等领域。目前,ICA已经成为国际上信号处理和人工神经网络等学科领域的一个研究热点。随着人们的安全意识的提高以及计算机视觉,智能模式识别技术的发展,人脸检测与识别成了计算机科学领域炙手可热的研究课题之一。人脸自动识别的研究内容主要包括人脸检测和定位、人脸特征提取和识别这三个部分。本文重点介绍了人脸检测与识别的基本原理,理论及改进方法,并运用改进的核独立成分分析方法实现人脸的识别。首先介绍了本文涉及到的人脸检测与识别,独立成分分析的研究历史,现状及其发展趋势。在详细阐述了人脸检测与识别理论方法以及独立成分分析算法的基础上,提出了采用粗检测结合精确定位的方法实现人脸图像的提取。采用改进的AdaBoost方法粗略提取感兴趣的图像区域,再通过模板匹配方法精确定位人脸部分。结果表明该方法能够快速准确有效地识别人脸部位。最后研究了基于子空间的方法进行特征提取和识别的常用算法,重点学习了ICA方法,该算法具有良好的局部特征表现能力。为了改善非线性因素的影响,采用了改进的核独立成分分析方法实现人脸特征分解和识别。在ORL和Yale数据库上的实验表明,该方法对面部姿态、光照等变化具有较好的自适应能力,达到了较好的识别效果。