人脸识别是一项极具发展潜力的生物特征识别技术,近年来是模式识别、图像处理、机器视觉、机器学习以及认知科学等领域研究的热点课题之一。在安全验证系统、信用卡验证、公安系统的罪犯身份识别、银行和海关的监控、人机交互等领域中,人脸识别具有广阔的应用前景。由于人脸的识别受许多因素的影响,问题本身很复杂,人脸识别中还有许多关键技术有待进一步解决,因此人脸识别的研究具有十分重要的理论意义和应用价值。本文围绕人脸识别这个问题,针对人脸特征提取、特征选择和分类器设计进行了一些理论和实验的研究工作。本文的研究工作主要包括以下几个方面：首先,对当前常用的人脸识别理论方法做了扼要的介绍,并对当前人脸识别技术的研究现状、存在的问题和未来的发展方向进行了简单的阐述。其次,在特征提取与特征选择方面,提出了基于AdaBoost算法的人脸Gabor Jet特征选择方法。虽然基于Gabor特征的人脸识别方法较其他人脸表示方法能很好地抵御光照及其噪声的影响,具有很高的识别率,但是人脸图像的Gabor特征数据量大,从而计算量大,算法的实时性不够好。针对这个问题本文提出使用AdaBoost算法来选择人脸的一些关键特征点,用相应特征点的Gabor Jet特征来表示人脸。与基于AdaBoost算法的人脸Gabor特征选择相比,特征选择所花费的时间可以大大减少；与弹性图匹配算法相比可以避免由人为因素确定的关键特征点所造成的次优解。最后,在分类器设计方面,提出了基于AdaBoost算法与错误纠正码(Error-Correcting Output Code,简称ECOC)的支持向量机多类分类算法。支持向量机原本是一个二类分类器,而包括人脸识别在内的大多数模式识别问题是多类分类问题,对此人们提出了多种通过多个二类分类器组合来解决一个多类分类问题的方法,错误纠正码法则是把一个多类分类问题分解为多个两类分类问题的组合。AdaBoost算法的一个主要特点是在每次迭代运算过程中对被错分类的样本增大权值,使在下次迭代的弱分类器学习中加强对容易被错分类样本的重视程度。本文提出的基于AdaBoost算法和错误纠正码的支持向量机多类分类算法并不是像基于错误纠正码的支持向量机算法那样所有的样本都参与弱分类器的训练,而是在每次迭代中根据样本权值大小选择一部分样本参与弱分类器的训练,这样在样本数特别大的情况下,既可以减少每个支持向量机的训练时间,同时使所训练得到的支持向量机多样化,最终增强弱分类器组的整体泛化能力。