人脸识别技术是计算机模式识别领域非常活跃的研究课题,在法律、商业、公安系统等领域有着广泛的应用前景。由于人脸图像的特殊性与复杂性,人脸识别问题也是模式识别领域的一个相当困难的问题,要使这一研究成为完全成熟的技术应用到日常生活中,还有许多工作需要去做。抽取人脸图像代数特征是人脸识别研究的热点。集成学习能够有效的提高学习系统的泛化能力,已经受到了国际机器学习界的广泛重视。本文就目前主流的几种代数特征抽取方法和集成学习方法进行了较为深入的分析和研究,对特征抽取方法和集成学习的结合及其在人脸识别中的应用作了有益的探索。本文主要工作包括:本文根据Fisher判决准则的结构,基于人工干涉的思想,提出一种增强型Fisher判决准则。这种增强型Fisher判决准则基于自定义的样本间的相似性度量。在生成Fisher线性判别的类内、类间离散度矩阵时附加上这种相似性度量信息,从而Fisher判决准则在使类内距离达最小、类间距离达到最大的同时,也使类内相似度达到最大、类间相似度达到最小,获得比原始Fisher判别准则更好的投影鉴别矢量。在ORL、Yale和AR_Gray人脸库验证了增强型Fisher判决准则的有效性。为了使集成中各分类器之间具有差异性,本文提出一种基于类别信息的分类器集成方法Cagging。基于类别信息重复选择样本生成基本分类器的训练集,使基本分类器之间具有差异性;利用基本分类器对不同模式类的分类能力为每个基本分类器设置一组权重,使用权重对各分类器输出结果进行加权决策,较好的利用了各个基本分类器之间的差异性。在人脸图像库ORL上的实验验证了Cagging的有效性。把集成技术与主成份分析(PCA)相结合,本文提出了集成主成份分析方法EPCA。该方法基于随机子空间法获得多个PCA投影变换,从而获得多个初始分类器,根据它们在不同模式类上的分类性能,给出分类器的保留分值,各分类器总分值确定它的删除优先级别,由删除优先级别选择一组分类器组成集成。在人脸图像库ORL上的实验验证了EPCA的有效性。把集成技术与线性判别分析(LDA)相结合,本文提出了一种新的线性判别方法ELDA。ELDA利用Boosting生成一组最优的鉴别矢量。ELDA具有LDA的优点,还具有与分类错误率的直接关系,因此,与LDA相比较,ELDA具有更好的分类性能。在FERET人脸库上的实验证实了该算法的有效性。