随着移动互联网和智能终端的普及,网上购物越来越多的出现在人们的日常生活中,移动端的交易安全也随之受到重视。交易的核心是身份鉴别,传统方式需要密码或是其他硬件支持,容易被窃取,同时操作不方便。因此,亟需一种应用于智能终端上的安全、可靠、方便、快捷的轻量级身份识别方案。基于生物特征的识别方案走入了研究者视线,其中人脸识别很受青睐。人脸识别是模式识别学科中的一个重要方向,研究者众多,也取得了很多成果,但是应用于智能移动设备的研究成效并不显著,其原因之一是受制于智能移动设备的硬件水平,另外是因为移动端身份鉴别是小样本的应用环境,基于以上两点需要对现有的算法加以改进以适应于智能终端,这不仅在人脸识别探索的道路上更进一步,同时更具有商业前景。本文在智能终端的应用场景下,重点研究了基于SIFT特征提取的人脸识别,并提出一种特征加权分簇匹配的轻量级改进方案,结合自动学习,自适应添加可靠的测试样本到训练样本空间。合理的划分和科学的权值分配,使得该方案在识别率和运行时间上都有提高。改进算法分别在ORL人脸库和Yale人脸库做了测试,相对于经典SIFT算法识别率提升了6.13%和14.11%,运行时间缩短了9.1%和4.7%。同时按照文献[42]中的测试方法,在ORL人脸库识别率达到74.05%,比PCA、LBP等经典算法都有明显的提升。最后本文在Android智能终端中对识别方案做了实现,实验数据验证了改进算法在Android系统的可用性。