人脸识别是人工智能领域中重要的研究课题,在过去的几十年中,它得到了研究者们广泛的关注。由于机器学习这个领域不断受到专注,基于机器学习方法的人脸识别技术是目前最流行的方法。本文主要研究人脸识别的特征提取算法以及人脸识别系统。本文首先给出了特征提取的定义并回顾一下主成分分析(PCA)和线性判别分析(LDA)以及Eigenfaces和Fisherfaces的基本原理;研究了遗传算法的一般框架和研究现状;提出一种与Bagging方法相结合的进化特征提取算法(BEFE),并将它应用于人脸识别。与其它基于遗传算法的特征提取算法相比,该算法有着很低的空间维数和较高的搜索效率。这个算法的另一个优点是它提供了一种简单但有效的方法来研究同一初始数据空间的不同子空间的差异。除此之外,由于使用白化的主成份分析(WPCA)和带权值的适应度函数,并且和Bagging方法相结合,Bagging进化特征算法(BEFE)能适用于“训练集合很小”以及“类很多”的情况,并且具有很好的、稳定的分类性能。接下来本文对人脸识别系统给出了一般解释;详细介绍了Adaboost算法以及改进方法,非负矩阵分解(NMF)的定义、算法以及各种改进方法;对人脸识别性能指标进行了介绍;并且研究了一个基于Adaboost方法和非负矩阵分解方法的人脸识别系统,并将该系统的人脸识别部分—非负矩阵分解在标准人脸库上进行了测试与分析,验证了有着局部化以及稀疏的特点的非负矩阵分解方法非常适合用于人脸识别上。