人脸识别作为一种方便并且易采集的身份验证技术,对方便人们日常生活和保障信息安全有着重要意义,有着广泛的应用场景和市场。本文主要研究了基于贝叶斯理论的人脸识别方法,其基本原理是通过估计训练样本中各个类别的人脸图片的先验概率分布,再根据贝叶斯定理计算测试样本所属类别的概率,进而实现分类。本文主要研究了朴素贝叶斯和联合贝叶斯两种人脸识别框架,通过分析各自的算法缺点做出了优化改进,并且将优化后的联合贝叶斯算法应用于实际的人脸识别系统中。本文提出了一种优化的朴素贝叶斯人脸识别算法,算法的基本思想如下,通过计算灰度级概率分布矩阵考虑人脸图片中的各个位置的灰度级概率分布并且利用Laplace平滑处理解决零概率问题,防止零概率对分类的干扰,此外,考虑到图像中相邻位置的像素之间并不是彼此独立的并且朴素贝叶斯分类算法使用将测试样本分类给条件概率最大的类,算法最后对灰度级概率分布矩阵做最大值滤波操作,重新计算各个位置的灰度级概率分布,并使用朴素贝叶斯框架实现分类。本文通过大量的对比实验,证明了优化算法的有效性。本文提出了一种加权子相似度的联合贝叶斯人脸识别算法,算法的主要步骤如下:根据原有的联合贝叶斯人脸识别算法的相似度衡量标准定义两个子相似度,再通过逻辑回归模型求解子相似度的最优权重,从而得到新的人脸图片相似度衡量标准。实验表明优化后的联合贝叶斯算法有着更好的表现效果。此外,本文将联合贝叶斯人脸识别算法应用于实际的人脸识别系统,其中人脸图片的特征使用深度卷积神经网络提取。本文通过引入自相似度的概念,解决联合贝叶斯人脸识别算法在实际场景应用中效果不好的问题,并且建立了两种贴近实际场景的人脸数据库,大量的比对实验表明通过自相似度优化后的算法有着更好的识别效果,对光照变化的适应性更强。