从一个人出生时开始，人脸的识别就在人类的社交活动中发挥着极其重要的作用，几乎覆盖了我们生活的方方面面。随着IT技术的发展，人脸识别技术已经成为计算机视觉和模式识别领域一个非常重要的研究课题。作为一项生物特征识别技术，人脸识别越发凸显其重要性，在公共安全、身份认证、访问控制、智能监控、社交网络、移动应用等众多领域内都拥有着巨大的发展潜力和应用价值。相对于其他生物特征识别技术，如指纹识别、掌纹识别或者虹膜识别来说，人脸识别的优点在于它是一个非接触式的过程，人脸图像可以在一定的距离外完成采集和识别，不需要和被识别对象进行接触。尽管在过去的几十年里，人脸识别技术取得了相当大的进展，但是现今人脸识别系统的准确性和鲁棒性还达不到在高度要求安全性的环境下应用的要求，仍然有很多工作有待进一步完成。本文在综述当前人脸识别进展的基础上，从人脸的对称性和认知学理论依据出发，对人脸识别系统中的人脸表示、分类和识别问题进行了研究。具体的研究内容包括:　　(1)提出了人脸表示的核半脸模型。基于正面人脸的对称性，分析了人脸对称性对识别的影响，根据F散度的理论，构造了适用于半脸融合的几种核函数，通过对不同核函数选择，建立了HS-KHF、CS-KHF和JS-KHF等三种核半脸模型的人脸表示方法。通过与几种常见的子空间方法结合，验证了核半脸模型的有效性，使用核半脸的人脸表示方法，相对于全脸的方法，可以在计算速度和识别率两个方面都获得一定程度的提升。　　(2)提出了一种基于无监督学习的人脸自动分类方法。基于认知学的理论依据，人类能够通过利用各种不同的视觉线索对人脸进行分类来提高识别速度和识别准确率，本文从局部特征描述出发，认为众多局部特征中隐含了人脸图像的类别信息，研究了人脸图像的类别发现机制，分析了各种局部特征描述对人脸分类的影响，提出了基于Bag of Features的人脸无监督分类方法。在FERET数据库上的实验表明，该分类方法可以取得比较令人满意的分类结果。　　(3)对人脸识别算法中的特征表示和分类器设计两个重要问题进行研究，提出了一种基于KHF和BOF的人脸高维特征表示方法，实现了近似卡方核的线性SVM分类器。从人脸分类的视角出发，将人脸识别转化为图像分类问题，从人脸表示和分类器两方面进行研究，基于KHF人脸表示和BOF方法，提出了基于KHF和BOF特征的三级金字塔直方图特征的人脸特征表示方法，同时，在Pegasos分类器的基础上，结合加法核理论，实现了近似卡方核的线性SVM分类器，综合了线性SVM的快速和非线性SVM高效的两种优点，同时实现了对人脸特征的高速训练和高效分类。在YALE、FERET和ORL三个数据库上的实验表明，基于三级金字塔直方图特征和近似卡方核SVM分类器的人脸识别算法，在识别准确率上取得了非常好的效果。　　综上，本文对人脸的表示、分类和识别等问题进行了研究，提出了核半脸模型、基于BOF无监督的人脸分类方法以及基于KHF和BOF的人脸高维特征表示和近似卡方核SVM分类的人脸识别算法。本文的研究有效提升了人脸识别算法的精度，同时也丰富了人脸识别算法的体系，对人脸识别的理论研究和具体实践有一定的参考价值和借鉴意义。