近年来，人脸识别技术越来越受到重视，已经成为计算机视觉、图像分析和理解中应用最成功的技术之一。本文系统的研究了基于嵌入式隐马尔科夫模型的人脸识别方法。完成的主要工作有以下几点：　　 首先本文针对传统人脸识别方法在受到表情、姿态和光照等影响时存在鲁棒性差的问题，提出了一种改进的人脸识别方法。在特征提取上，该方法首先提取人脸的Gabor特征，接着利用DCT压缩使得相似特征得到聚合，最后利用PCA分别筛选出最能够代表人脸各个区域的DCT系数。在识别方法上，该方法采用了嵌入式隐马尔科夫模型(EHMM)，并基于人脸的认知结构信息对嵌入式隐马尔可夫人脸结构模型进行了改进。对比实验结果表明，该方法识别率高，复杂度低，并具有较好的鲁棒性，易于在工程上应用。　　 其次针对基于嵌入式隐马尔科夫模型的人脸识别方法中仅仅利用训练样本得到单一分类器的缺点，引入了AdaBoost集成学习算法对样本随机扰动，并且对AdaBoost算法进行了改进。首先我们通过对样本库加入随机噪声，提高学习方法的泛化能力。接着在该数据库的基础上，通过训练多个弱分类器构造出一个强分类器。训练过程中首先通过对训练集设置相等的权重，得到初始分类器。然后通过识别误差调节训练样本的权重，进而构建出新的训练集，如此重复，得到一个由多个弱分类器所组成的强分类器。最后通过加权投票的方法得到识别结果。实验证明，该方法识别率高，鲁棒性好。　　 最后根据实际需要，利用本文所涉及的方法实现了相应的人脸识别系统。该系统基于OpenCV与隐马尔可夫模型，通过对图像特征向量提取、模型参数训练和识别三个功能模块分别进行研究与分析的基础上，对系统的软件架构进行了设计，使得该系统具有清晰的功能，较好的性能，并且耦合度低。