生物特征作为人类个体的内在属性，具有很强的个体独立性和区别差异性。因此，如何有效地将个人的生物特征应用于计算机智能信息处理应用领域吸引了广大研究学者们的浓厚兴趣，从而能够使得计算机能够更好地具备类似于人类的感知识别能力。现阶段，应用于机器识别的人类生物特征识别主要包括人脸识别、指纹识别、虹膜识别和掌纹识别等，并广泛应用于安全验证系统，视频会议，人机交互系统等。近年来，基于人脸图像的生物特征识别研究取得了巨大的发展，而性别分类作为人脸识别的一个研究子集，不仅能够应用在商业统计系统，智能机器人研究等领域，同时又是验证机器学习大规模分类器性能的一个很好的代表性问题，具有极高的研究价值。与人脸识别类似，性别分类主要分为图像预处理，生物特征提取和模式识别等三个部分。本文主要对于应用在性别分类的特征提取和分类识别技术进行了系统、详细的研究，并重点分析了在性别分类问题上使用最小最大化模块分类器的分类性能。 在人脸图像的预处理阶段，本文主要采取了几何变换，直方图均衡和关键区域增强等方法。这些工作有效地对人脸图像进行了归一化工作，改善了图像质量，降低了计算复杂度，从而有利于提高后续算法的实施精度和收敛速度。 在性别特征提取阶段，文中详细讨论了人脸图像全局特征和局部特征的提取方法，例如基于图像灰度的全局特征提取方法，基于小波滤波器变换的特征提取方法和基于局部二值模式的特征提取方法等，并提出了一种基于尺度不变性的特征变换提取方法。其中重点介绍了本论文中所使用的基于尺度不变的局部特征变换方法，并在实验中将其与不同的方法进行了性能对比。 在性别分类阶段，本文着重于研究基于最小最大模块化分类器在人脸性别识别阶段的性能。最小最大模块化分类器主要由两部分组成：对识别问题进行有效地分解和组合通过分解得到的多个子问题的分类结果。