人脸识别是当前一个热点研究领域,它作为一种身份验证的技术在信息安全,出入控制等领域有着广泛的应用前景,但同时人脸识别作为一个经典的高维小样本问题,对模式识别算法的性能有着苛刻的要求,本文针对D-LDA的增量计算与SVM多分类这样的一些关键性问题进行了深入的研究与探讨,并给出了相应的算法。D-LDA作为线性判别分析的一种改进形式有着良好的理论基础与实验效果,但在实际应用中它存在一个重要的问题,这就是增量计算的问题,本文通过对类内散布矩阵,类间散布矩阵以及D-LDA算法流程的分析,提出了一种D-LDA增量算法,接着为了对D-LDA增量算法进行核化,本文提出了一种正则化的核D-LDA算法,在这个核D-LDA的基础上,实现了D-LDA增量算法的核化形式,在实验中将D-LDA增量算法与D-LDA传统的批处理算法,将核D-LDA增量算法与KDDA算法分别进行了对比,结果表明无论是D-LDA增量算法还是核D-LDA增量算法的实验精度都非常接近于传统的批处理算法,证明这两种算法是有效的。人脸识别是一个多类分类问题,而支持向量机是一个二分类问题,本文对支持向量机多分类的扩展进行了研究,这部分研究工作可以分为以下两个方面,一是对二叉树SVM,本文提出了一种基于聚类的二叉树结构生成算法,该算法以类间的可分性为度量通过聚类的方式生成二叉树的节点,二是通过改变问题的表述方式,将一个多分类问题表述为一个二分类问题,提出了一种基于子空间Boosting的SVM多类分类方法,该方法通过类间差与类内差矩阵子空间将多分类问题表达为二分类问题,同时针对正反例样本的不均衡问题,采用boosting算法进行了处理,实验结果表明,以上两种算法对多分类问题的处理都达到了一定的效果,其中基于聚类的SVM多分类方法效果最为明显。