支持向量机(Support Vector Machine,SVM)是在统计学习理论上发展起来的一种新型机器学习方法,用于解决模式识别领域中小样本、非线性、超高维等问题,在处理泛化性能和学习性能等方面表现出明显的优势,是一种强有力的分类工具。近年来,基于支持向量机的人脸识别是非常活跃的研究课题和科技热点之一。本文从人脸识别的基本原理和系统构成出发,重点研究了运用核独立成分分析方法实现人脸特征提取的方法,以及混合核函数支持向量机人脸识别技术。首先介绍了人脸识别技术、发展状况及系统构成,然后在详细介绍独立成分分析方法的基本原理的基础上,给出了核独立成分分析方法,并用于实现人脸特征提取。最后重点研究了支持向量机方法和核函数方法,为了满足全局性和局部性、泛化性能和学习性能的要求,构造出一种新的混合核函数,并针对人脸识别的多分类和非线性等问题,将混合核函数与支持向量机方法相结合,实现人脸分类识别。通过在ORL人脸数据库和Yale人脸数据库上进行实验验证了算法的有效性。实验结果表明将KICA用于人脸特征提取能较好地克服光影以及角度变化的影响,具有良好的非线性适应能力,基于混合核函数SVM的人脸分类识别效果优于其他分类识别方法。