支持向量机(Support Vector Machines,简称SVM)的成功引起了人们对机器学习算法的极大兴趣,并由此发展出了一种核函数方法。核函数方法的思想是:通过某种非线性映射将输入空间变换到一个高维特征空间,如果在其中应用标准的线性算法时,其分量间仅存在内积运算,则可以利用核函数替代内积,将这种算法转换为原输入空间里的非线性算法。　　自动人脸识别(AFR)是最具有挑战性的课题之一,不同类别的模式差异较小,同类模式具有较大的不稳定性,特征提取和分类器设计是人脸识别研究中的核心问题。人脸特征表示是实现高效人脸识别算法的重要前提。好的人脸表征可以使用简单的分类器而获得良好的识别性能。　　人脸识别应用系统的最终性能在很大程度上取决于高效的人脸特征描述和鲁棒的人脸识别核心算法。论文以人脸识别问题为背景,利用核函数学习方法,对人脸识别中所涉及的一些关键技术进行了深入研究和探讨,内容主要涉及基于核方法的非线性统计成分的理论及其在自动人脸识别技术中的应用。论文的主要工作和创新之处概括如下:　　(1)对核学习方法中的核函数进行了深入地研究,阐明了核函数与所映射空间之间的关系,揭示了核函数的本质;提出了一种基于有效候选集的支持向量机训练样本选择方法。　　(2)为了建立一个既有较好插值能力又有较好外推能力的学习模型,结合人脸识别问题,提出了一种基于组合核函数的KPCA人脸识别方法,使得组合核函数既具有较好的学习能力,又具有较好的推广能力。　　(3)研究了不同核统计成分在用于人脸特征提取上的特点及差别。提出了一种将KPCA提取的部分全局特征与由ICA提取的部分局部特征进行融合构成新的融合特征向量的识别方法,实验结果表明,新方法的识别率明显优于KPCA及ICA的结果。　　(4)深入地研究了利用CCA/KCCA方法来融入类别信息进行特征提取的方法。提出了一种基于邻域信息运用CCA分类器来进行人脸图像分割的方法,这种基于邻域信息的特征向量编码可以很好地提高分类器的分类性能。　　(5)给出了一种新的类别标签定义,它类似于后验概率,但避免了用概率方法来计算,称之为类别软标签(Class Soft Label,简称CSL),并利用CCA技术来计算CSL,并由此提出了一种融入类别信息的CSL-CCA(CSL-KCCA)分类算法。