科学技术的飞速发展,人与人之间的信息交流进入了一个信息爆炸的时代。各种各样的信息肆意传播,进而出现了大家意想不到的信息安全问题,所以身份验证和识别是一个亟待解决的问题。越来越多优秀的人脸识别算法应用于产品中,例如门禁系统、网上银行支付系统以及自动取款机等。不仅仅是个人信息安全问题,更是个人财产安全问题,所以识别精度尤为重要。人脸识别算法中重要的两个环节,即人脸特征提取和人脸分类识别,成为众多科研者研究的关键。提高最终的识别精度还要从这两部分着手,寻找和引入优秀的算法,提高人脸识别率。研究课题以此为目的,首先介绍了人脸特征提取和人脸分类识别的理论基础。着重介绍了主成分分析法(PCA)、Gabor小波变换、K最近邻法(KNN)和支持向量机法(SVM),分析了这些算法的优势和短板,力求利用彼此的长处去弥补对方的短板,达到优势互补。随后利用PCA和均匀采样去弥补Gabor小波变换造成维度增加的劣势,既保证了Gabor小波变换识别率高的优势,又弥补了维度增加的劣势,达到了优势互补。通过分析K最近邻法和支持向量机法各自优势,把两者相结合,利用K最近邻法初步定范围,用支持向量机最终识别分类,达到了优势互补,得到了 KNN-SVM分类算法,并把它引入到了人脸识别领域。紧接着分别在ORL人脸库和YALE人脸库中,基于Gabor-PCA特征提取,通过与KNN和SVM进行识别率的实验对比,证明了 KNN-SVM分类算法的优势和应用于人脸识别领域的可行性。在实验过程中发现,基于一种距离的图片相似度判断有时候不准确,以致KNN筛选出来的训练样本不够准确,最终导致识别错误。提出了一种利用欧式距离、曼哈顿距离和余弦距离这三种人脸识别常用的距离共同进行距离相似度判断,使得KNN筛选的训练样本更加准确,改进了 KNN-SVM分类算法,最终提高人脸识别率。最后也同样通过在ORL人脸库和YALE人脸库中对比实验,证明了基于三种距离融合的KNN-SVM分类算法的可行性。