随着计算机技术和通信技术的发展,人们对个人信息安全的要求越来越高。在这种情况下,一种新的身份鉴别方法——生物特征识别技术——得到了广泛的应用。人脸识别技术是生物特征识别技术的一种,它最符合人类思维运作形式,因此一直是研究领域的热点。然而人脸识别技术应用于实际环境,还存在着很多难点,例如高维问题和小样本问题。在详细分析人脸识别的最新研究进展和主要特点的基础上,本文试图用基于Fisher鉴别函数的非线性特征提取方法和径向基神经网络分类器解决这两个问题,以便提高人脸识别的正确率。本文的第一个工作是研究了基于Fisher准则的核鉴别分析方法在人脸识别中的应用。Fisher线性鉴别函数方法是一种经典的统计方法,可以应用在特征提取和分类决策两个方面。但是这种方法在人脸识别等非线性问题中不能取得很好的效果。因此,本文将非线性的核方法应用到人脸识别技术中,在核空间对可鉴别共同向量方法进行了改进,提出了一种新的核可鉴别共同向量方法(Kernel Discriminative Common Vectors, KDCV)。核可鉴别共同向量方法在核空间提取每类样本的共同向量作为最佳鉴别向量,对人脸特征进行有效提取,将高维人脸图像向量降低到M-1维,减轻了计算负担,提高了识别准确率。实验结果显示,本文的核可鉴别共同向量方法在人脸特征提取方面取得了不错的结果。本文的第二个工作是研究了径向基神经网络(Radial Basis Function Neural Networks, RBF)作为分类器在人脸识别中的应用。径向基函数神经网络是一种简单的两层前馈人工神经网络,以其简单的结构、快速的训练过程及良好的推广能力等优越性能广泛应用于众多领域,特别是在模式分类和函数逼近方面。本文主要把精力集中在径向基神经网络中心个数的确定和中心位置的选择这两个方面,构造了一个遵循Fisher鉴别函数准则聚类方法。将这个分类器应用到人脸识别中去,得到了优于其他方法的结果。在这两个主要工作的基础上,本文结合核可鉴别共同向量方法和径向基神经网络分类器,提出基于径向基神经网络分类器的核可鉴别共同向量( Kernel Discriminative Common Vectors plus RBF Classifier Approach, KDRA)方法。该方法分别在AR人脸数据库和ORL人脸数据库上进行实验。实验结果表明,与其它线性鉴别方法相比,KDRA方法能得到更好的