支持向量机是在统计学习理论基础上发展起来的一种新的机器学习方法,具有理论完备、适应性强、全局优化、训练时间短、泛化性能好等优点,自提出以来,一直受到人们的关注,已经被广泛应用到模式识别和回归等问题中,其中人脸识别是模式识别问题中一个非常典型的应用。人脸识别同其他基于生物特征的鉴别方法相比,具有友好,采样方便,使用者无心理负担等优点,加上现代图像通讯的迫切要求,对人脸识别技术的研究有着重要的意义。本文主要工作内容如下:1)支持向量机是目前比较流行的模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。在传统支持向量机中,样本间的相似程度是用内积来表达和评估的。本文通过对核函数及其参数选择的研究,提出了一种使用距离来衡量样本间相似性的核方法,该距离选用欧几里德距离。在ORL、Yale、Essex三种不同的人脸库上的实验结果均表明,基于此核函数的支持向量机算法与其他常用的核函数相比较,在识别时间并没有增加的情况下,识别率得到了提高。2)针对人脸类别增多识别率下降较明显的问题,本文引入一种条件正定核。该核函数不满足Mercer核条件,但是可以用于核方法学习。本文从理论上证明了该核函数比基于点积的核函数更加有效,同时通过人脸识别实验,进一步说明基于该核函数的支持向量机算法的可行性和有效性,识别率高于其它核函数。3)鉴于使用原始人脸图像进行实验所需时间较长,效率较低,论文采用多种不同的图像处理方法对人脸图像降维,通过实验选取降维效果最好的方法对人脸库中的图片进行降维处理。对降维后的人脸库进行实验,实验结果进一步验证了本文所引入的两种新的核函数的有效性。最后对本文的工作进行了小结,并对后续的研究提出了目标与希望。