在过去的几十年当中,人脸检测与人脸识别技术虽然取得了长足的进步,但依然没有解决其在实际应用过程中的核心问题。原因在于(1)人脸检测算法本身比较耗时,从而使得整个人脸识别系统无法满足实际应用中实时性的要求；(2)现有的人脸识别算法普遍具有训练集合的高维性和小样本性；(3)人脸特征的类内变化有时候要大于类间变化；(4)缺乏高效的人脸特征描述及相应的高精度核心识别算法；(5)如何提高人脸识别系统不可避免的误配准错误的鲁棒性问题；另外,实际应用过程中的相机成像质量、算法执行效率、环境光照剧烈变化等都是不可忽略的问题。本文我们详细讨论了上述问题,并提出了相应的解决办法。论文首先对人脸检测、人脸识别领域的发展历史及最近几年的发展现状做了简单的介绍。接着,文章介绍了基于haar特征及AdaBoost级联分类器的人脸检测算法,并对算法的计算量、运行效率进行分析。同时,从运动检测和边缘方向匹配两方面对现有的人脸检测方法进行改进,减少了计算量,提高了算法的运行效率。接着,文章对最近几年比较流行的Gabor特征提取方法进行了详细的介绍,并提出采用Gabol-Sobel与LTP相结合的方法进行人脸特征提取工作。通过比较发现,改进后的方法相比原来的Gabor特征提取方法具有类内聚集性好、类间分散性大的特点,从而更有利于最终的特征分类和判别。之后,文章详细阐述了对有限样本进行学习分类的经典分类器-SVM。同时,对提高分类器性能的重采样技术boosting算法进行了深入的剖析,并在此基础上,提出将boosting重采样算法与SVM相结合的方法,在减少小样本性干扰的同时,提高了分类器的分类判别能力。另外,文章还提出通过扰动人脸面部定位精度来生成多张虚拟人脸,从而增加了训练样本,提高了系统对误配准的鲁棒性。最后,本文在上述人脸检测、人脸识别改进算法的基础上设计了一套基于人脸识别的门禁系统,并详细介绍了系统的组织结构图,各个子模块的架构,系统的优缺点等。