模糊支持向量机是在支持向量机的基础上引入模糊隶属度函数发展而来的,一定程度上解决了支持向量机的一些局限问题,并被广泛应用于模式识别和人工智能领域。它也是人脸识别的一个重要手段。因此,优化模糊支持向量机算法,通过更好的构造模糊支持向量机分类器以提高分类识别率,从而能更好的应用于人脸识别。本文针对这一思想展开工作,主要包括以下三个方面的内容:1、核函数在模糊支持向量机中重要的内容,而且模糊支持向量机的许多特性又是由所选择的核函数所确定的。而核函数总体上可划分为局部核函数和全局核函数,它们都有各自的优缺点。本文把两个或是多个函数的优点组合起来,构成混合核函数。以使混合核函数具备全局核函数强外推能力与局部核函数强学习能力的优点。并把此混合核函数应用于模糊支持向量机中,用Iris数据集和Wine数据集验证该方法的有效性。2、同样,用二次规化问题求解的权重和偏移量也是影响模糊支持向量机分类性能原因之一,偏移量过大或是偏小,对最优分类面位置及分类性能都会有直接的影响。本文进一步提出一种新的求偏移量的方法,由此新偏移量构成的最优分类面,经由ORL人脸数据集和Iris数据集及Wine数据集验证其分类性能得到了一定程度的提高。3、核方法提供了一个线性方法到非线性推广的训练方法。模糊支持向量机、核主成成分分析以及Fisher核判别式都是较为成熟的一些核方法。然而这些核方法不能自动选择核参数,本文研究基于最优分类标准的自适应核学习方法,而这种标准类似于线性鉴别分析和核Fisher判别,由普通核函数得到的核矩阵,再通过学习得到最优核矩阵。,把得到的最优核矩阵代替原来的模糊支持向量机中的核矩阵,就构成自适应模糊支持向量机。通过两组数据集的实验验证该方法的有效性。