人脸识别是人类最杰出的认知能力之——，让机器人具有人的智能，使它可以象人类一样记忆、识别人，一直是众多计算机科学工作者追求的目标。随着社会的发展、科技的进步，对方便、可靠、自动身份鉴别的实际需求日益迫切，人脸识别重新成为机器智能研究的热点问题。研究人脸识别，其意义不仅仅在于推动图像处理、模式识别理论与应用的发展，满足身份验证、基于内容的检索等实际需求：同时由于人脸模式的特殊性，对人脸识别进行应用研究，对推动认知科学、生理学、心理学等相关学科的研究也有积极的影响。 本文分别对人脸检测和人脸识别问题的现有理论和算法进行了回顾、探讨，在此基础上，针对某些环节提出了新的算法，主要工作总结如下： 人脸检测是人脸识别系统的重要组成部分，本文在第二章中对此进行了详细的阐述。彩色图像中，肤色特征是人脸的重要信息，利用HIS彩色空间中的肤色模板，可以将类肤色区域同背景分割开来。针对类肤色区域中的噪声、奇点、非人脸区域以及人脸区域被割离的情况，本文提出了滤波、聚类分割、区域合并等算法；针对人脸非人脸区域的的分割，修改并采取了椭圆模板定位的方法；针对“候选人脸”中出现的“虚警”问题，首先提取人脸面部特征，然后采取人脸验证算法加以验证。针对彩色图像中复杂背景下东方正立人脸的检测问题，将基于肤色模板的人脸粗检测和基于椭圆模板的人脸定位两种方法结合，并通过提取和验证人脸面部器官对识别出的人脸进行校验，实验结果表明，该算法取得了很好的效果。 第三章针对人脸识别中特征提取和分类器的设计两大问题分别进行了详细的阐述。独立分量分析(ICA)方法进行人脸特征提取，比传统的主元分析(PCA)方法更加有效的利用了高阶统计信息。ICA特征用于人脸表示主要有两种方法：基于矩阵A的方法和基于矩阵S的方法。本文采用基于矩阵S的人脸表示方法，将ICA特征选择的概念和算法用于人脸特征的提取和优化，在不影响识别率的情况下，降低了特征维数，提高了识别速度；支持向量机(SVM)模式识别方法基于VC维理论，采用结构风险化原理，兼顾训练误差和泛化能力，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势；对于多类问题，介绍并采用了“一对一”的策略进行SVM分类器设计；对于图像预处理，详细介绍了几何归一化的算法步骤。本文首次提出了ICA/SVM相结合的方法进行人脸识别，将ORL数据库上的实验结果同其他方法的比较表明，该方法的识别率要优于传统方法。