人脸识别技术是利用不同的个体在人脸或表情上所具有的独特特征，把未知身份进行唯一识别的技术，是一种计算机安全技术。人脸识别技术具有非接触性、方便快捷、精准度高、适应性强、安全性好等优点，应用领域逐渐由专业化向宽泛化发展，人脸识别技术将会有非常广阔的应用前景。支持向量机是由Vapnik等人在统计学习理论和结构风险最小化原则的基础提出的一种新的机器学习方法，能较好地解决高维数、小样本、非线性和局部极小点等实际问题。支持向量机已广泛应用于入侵检测技术、生物信息技术和文本分类等多个领域。将支持向量机分类应用到人脸识别和图像处理等领域，具有十分重要的意义。核方法是解决支持向量机中非线性模式分类问题的一种有效途径，核方法的关键是核函数的选择或构造。本论文的目的是研究修正的高斯核函数在人脸识别中的有效应用。本论文主要创新工作是：1.针对AdaBoost算法在人脸识别中，识别时间太长，识别率不是太理想，提出了SVM分类算法。通过实验验证了SVM算法，大大缩短了人脸识别时间，提高了识别率。2.SVM采用高斯核函数进行人脸识别的效果不是太理想，本文提出了修正的高斯核函数，选择合适的参数来提高修正高斯核的学习能力及分类能力，用理论证明了新核的合法性。将修正的高斯核函数应用到人脸识别的中，与高斯核函数对比，用实验验证修正的高斯核函数能弥补高斯核函数的不足，并能发挥自己的优势。3.ORL人脸数据库中，只有个人不同表情不同侧脸的图像，并没有同一个人不同发型的图像和双胞胎的图像，为了表明支持向量机核方法的广泛应用性和实用性，本文建立了一个人不同发型的人脸数据库和双胞胎人脸数据库，并用实验验证了支持向量机核方法的实用性和有效性。