人脸识别是当前人工智能和模式识别的研究热点.一个自动的人脸识别系统包括四个部分,即人脸检测和分割,人脸规范化,人脸特征提取(也称为人脸表征)及人脸识别,其中最关键的技术环节是人脸特征的提取和人脸识别.该文旨在研究人脸模式识别的方法,使用的是统计学习理论发展起来的一种新的模式识别方法,即支持向量机.它有两个核心思想,其一就是结构风险最小化原则,其二就是在最大的样本边缘(margin)的基础上建立一个线性分类器,其中最大的样本边缘可以通过最大化样本点到超平面的最小距离得到.由于支持向量机具有许多引人注目的优点以及它在实际应用中的良好表现,因而在机器学习中备受推崇.该文首先总结了统计学习理论的有关理论和重要结果,同时独立推导了如何在高维映射空间中构造最优分类超平面的方法,最后提出了一种改进SVM的训练算法,即把分段判别的思想引入到SVM模式识别中,通过样本训练SVM得到两个最优分类超平面,从而构造一个分段线性判别器用于模式识别.实际数据实验的结果表明,该方法的识别效果与传统的SVM方法相比有显著提高.在文章的最后,作者对后续工作的前景进行展望,提出了自己的几个想法.