随着计算机技术和互联技术的飞速发展,人脸识别已经成为模式识别和图像处理的热门研究主题之一。由于识别算法以及外界条件的影响,高效的人脸识别率成为了相关研究的核心问题。自20世纪90年代后,集成学习(Ensemble Learning)逐渐成为机器学习新的研究方向,集成学习是一种可以有效地提高机器学习泛化能力的多学习器学习方法。在应用方面,集成学习在许多领域显示了强大的力量,在国内外都取得了一定的成效。集成学习在人脸识别上的应用逐渐扩展,并且系统的识别性能得到了明显的提高。因此,很多人开始将集成学习和人脸识别联系起来。本文研究了基于集成学习的人脸识别方法。由于单个分类器的识别率较低,为了提高分类器性能,利用集成学习理念对分类器进行融合。在此,研究了几种不同的分类器集成方法。首先,对n元组分类器在二值图像的应用上进行研究,实验中对不同大小的n元组分类器进行集成,并将该方法与其他人脸识别方法的识别结果进行对比,实验验证了这种集成方法的分类性能。在n元组分类器的基础上,应用位平面分解的思想进一步研究了基于移动窗口分类器集成的人脸识别方法,分析该方法并应用不同的融合方法对分类器进行融合。实验验证了移动窗口分类器的集成性能,并与其他人脸识别方法的性能进行对比,结果表明使用加和规则融合分类器的性能较高。最后,根据随机子空间的思想,本文研究了半随机取样的子空间集成(ESRS)及其人脸识别方法,分析研究了不同人脸数据库的特性,并在这些数据库上进行实验。依据实验结果可以得出该算法的泛化能力较强,在不同的数据库上进行实验都能得到较好的结果。