近年来,人脸识别技术得到了迅速的发展,越来越多的融入到我们的工作生活当中。在实际应用中,人脸图像在成像过程中,因各种因素的影响,造成图像分辨率低、噪声干扰、光照变化剧烈等情况,这些都为人脸识别带来了困难,严重影响了人脸识别方法的准确性。因此,如何提高人脸识别方法对质量差的人脸图像的识别能力仍然是人脸识别研究领域亟待解决的关键问题。考虑到人脸图像在特征提取和分类过程中存在一定的模糊性,以及二型模糊理论在解决不确定性问题和抗干扰方面的优秀表现,本文将二型模糊理论引入人脸识别,围绕人脸识别中的特征提取和分类识别两个关键问题开展研究。论文主要研究内容如下:(1)在复杂环境下,人脸图像的类内变化往往大于类间变化,从而使不同个体的样本具有相似的特征。针对这一问题,本文提出了二型模糊线性鉴别分析的特征提取方法(简称T2FLDA方法),将二型模糊思想引入线性鉴别分析方法中,利用二型模糊隶属度刻画每个样本属于各类的程度,量化了在特征提取过程中不同样本对于各类的贡献率大小,减小了离群样本的影响。首先,提出了一种监督区间二型模糊C均值聚类算法,结合样本的类别信息初始模糊聚类中心,给出了二型模糊隶属度的计算方法,并根据类别信息对样本隶属度进行调节,确保样本对其所属类别中心的贡献最大。其次,建立了T2FLDA模型,定义了模糊类内散布矩阵和模糊类间散布矩阵,利用Fisher鉴别准则寻求最佳模糊投影矩阵。最后,分析参数的意义及其取值对识别率的影响,给出T2FLDA方法合适的参数选择。实验结果表明,本文方法得到的嵌入子空间更具鉴别性和鲁棒性。(2)针对基于模糊规则的模糊分类方法的理论基础相对薄弱且泛化能力弱的问题,本文提出了基于支持向量机(SVM:Support vector machine)的二型T-S模糊分类方法(简称T2T-SFCSVM方法)。首先,构建了二型T-S模糊分类系统,设计了T2T-SFCSVM方法用于解决二分类问题的决策函数。其次,利用模糊迭代自组织数据分析技术学习二型模糊规则条数和二型模糊高斯隶属度函数的中心参数;利用粒子群优化算法学习二型模糊高斯隶属度函数的不确定宽度参数,给出了待优化参数取值范围的计算方法;提出了基于SVM的二型模糊规则后件参数学习方法,导出了二型模糊规则后件参数计算公式;提出了一种监督学习算法学习推理机调节参数,定义了二型模糊分类系统输出误差函数。最后,采用“一对一”策略将提出的二分类方法扩展成为多分类方法,并应用于身份识别。实验结果表明,本文方法与现有主流方法相比具有更好的识别率和鲁棒性。(3)针对孪生支持向量机(TWSVM:Twin SVM)算法对样本中噪声和孤立点敏感的问题,本文提出了基于TWSVM的二型T-S模糊分类方法(简称T2T-SFCTWSVM方法)。首先,构建了二型T-S模糊分类系统,设计了T2T-SFCTWSVM方法用于二分类问题的两个决策函数。其次,提出了基于TWSVM的二型模糊规则后件参数学习方法,导出了二型模糊规则后件参数计算公式。最后,采用“一对一”策略将提出的二分类方法扩展成为多分类方法,并应用于身份识别。实验结果表明,在大样本情况下,T2T-SFCTWSVM方法需要较少的参数学习时间且获得更高的识别率;在小样本情况下,T2T-SFCSVM方法需要较少的参数学习时间且获得更高的识别率;本文提出的两种模糊分类方法在识别率和鲁棒性方面都优于SVM算法和TWSVM算法。(4)人脸图像样本数量较少且易受到各种因素影响,对稀疏表示分类方法中过完备字典构建、字典学习和稀疏系数的求解都带来了挑战性。为此,本文提出了基于二型模糊Fisher鉴别字典学习的稀疏表示分类方法(简称T2FFDDL方法)。首先,构建了T2FFDDL模型,结合类别信息构建了一个结构化字典,将二型模糊Fisher鉴别准则引入编码系数项,使稀疏系数的模糊类内散度最小化、模糊类间散度最大化,从而获得更强的鉴别性和鲁棒性。其次,证明了二型模糊鉴别约束项函数在定义域上严格凸且可微,为T2FFDDL模型可以收敛到全局最优提供了理论依据;通过迭代交替优化T2FFDDL模型,获得最优的鉴别字典和二型模糊鉴别系数矩阵。最后,将稀疏系数模糊类别中心引入稀疏分类规则,使分类结果更加稳定。实验结果表明,本文方法可以有效减少本类子字典中干扰原子的影响,同时可以从不同类子字典中具有相似性的原子中获得互补信息,利用较小规模的字典达到更好的识别率和鲁棒性。