随着科技的迅速发展,各种各样的信息安全技术层出不穷,但高的识别率始终是人们追求的最终目的。生物识别技术(如指纹、虹膜识别、人脸识别等)是现在最受欢迎的信息安全技术之一。尤其是人脸识别中的基于子空间的人脸识别算法,近年来非常受人们的青睐。但由于受各种外界因素干扰,严重影响人脸识别率,因此大多数研究者把提取人脸最有用的信息和提高人脸识别率作为研究的重要任务。论文作者通过大量文献了解到现有人脸识别存在一些缺点,进行全面分析,提出了一种将KPCA和LDA融合改进的算法。首先解决人脸的非线性问题,进而降低样本空间维数;然后解决“小样本”及边缘数据的分类问题;最后利用改进KNN和支持向量机融合的方法进行分类识别。论文的研究工作具体如下:(1)将原始人脸图像首先进行白化、低通滤波预处理,去除干扰、噪声的同时平衡图像的能量谱,然后运用双树复小波和Gabor小波提取人脸8个方向的特征向量,为以后特征空间的形成做准备。(2)为了解决非线性和样本维数过高导致计算过于复杂的问题,提出了用最佳样本均值估计向量代替原始样本向量的核主成分分析算法(KPCA);为了解决“小样本”及边缘数据的分类问题,提出了改进LDA算法即:首先对类间散度矩阵BS进行特定加权值处理,然后提取类内散度矩阵WS的零空间和去除类间散度矩阵BS?的零空间。最后将二者结合形成本文提出的KPCA和LDA融合改进的算法。(3)为了进一步降低了样本的维数,有效抑制噪声的干扰提出了改进KNN和支持向量机融合的方法。(4)应用MATLAB 2010a平台进行测试各类人脸识别算法的识别效果,通过大量实验进行对比,得出本文提出的算法在识别率和识别速率上都有很大优势。