本文的研究重点是基于人脸图像的性别分类问题。人脸图像反映了身份、性别、年龄、种族、表情等很多重要的生物信息。基于人脸的识别研究的学者们大多数关注人脸的身份识别，即只区分出输入人脸图像是谁。这种身份识别系统需要有后台庞大的数据库的支持，对于没有录入数据库的人脸，这种用于人脸身份识别的系统将无能为力。而基于人脸图像的性别识别，是一个两类分类问题，不需要后台庞大数据库的更新和支持。性别识别的系统，不仅有助于提供更个性化的人机交互方式，还可应用于相关的图像监控系统和信息采集系统。从理论意义上来说，对人脸的性别识别的研究也丰富了原有的人脸识别方法，提高人脸识别的准确率和图像检索效率。　　 基于人脸图像的性别分类研究包括人脸图像预处理，人脸特征提取和性别分类器的设计。本文针对这三个部分展开研究，主要的研究内容和创新成果有：　　 1)在人脸图像预处理阶段，提出一种基于积分投影和滤波器的人眼定位的方法，很好地确定出人眼的位置，从而可以很好地实现人脸的几何归一化，从而对后续的特征提取和分类提供了保证。　　 2)研究不同的人脸特征提取的方法，包括PCA，LBP，Gabor小波，PCA-SIFT。根据人脸性别分类的特点，提出了增强性别分类的PCA-SIFT方法，对典型的男女两类脸像分别求投影矩阵，并对输入图像按聚类方法选择投影矩阵，从而很好地找出更具有判别性的特征。　　 3)深入研究了不同性别分类算法，如RBF神经网络，LDA，SVM和FSVM。对人脸性别识别分类问题引入了模糊的思想，并且基于学习矢量量化网络(LVQ)提出了一种新的隶属度生成方法。该方法应用在FSVM中，可以很好的提高算法的泛化能力。　　 本文在FERET，CAS-PEAL和BUAA-IRIP三个人脸库上进行比较研究，实验结果表明本文提出的提出了增强性别分类的PCA-SIFT方法可以提取具有判别性的特征，模糊支持向量机的分类器设计方法具备很好的推广能力。