经过近四十年的研究发展,人脸识别技术已经取得长足的进展并投入商业应用。但实践表明人脸识别技术还远不够成熟,尤其是对识别条件敏感、大样本集识别率低等问题比较严重。本论文旨在通过对这些问题的分析,提出解决相应的解决方法。本文首先研究了样本集大小对线性识别方法和非线性识别方法的影响问题。大部分识别方法都需要进行事先的训练和学习,首先需要合理设计训练集的大小,包括类的数目以及类内的图片数目。当类内图片数和类的总数变化时,会对线性识别方法和非线性识别方法造成不同程度的影响。研究发现,随着样本集的增大,一些线性识别方法的识别准确率会大大下降,而对非线性识别方法几乎没有影响。经过分析,揭示出在样本集增大的情况下线性识别方法失效的原因在于类内距过大而类间距过小。因此,必须根据类内距和类间距来合理选择类的总数和类内的变化数,才能保证线性识别方法的良好运行;而当类内距较大、类间距较小时,应采用非线性识别方法进行改善。解决大规模人脸库上的有效识别率低的问题,除了可以采用非线性识别方法改进以外,还可以通过分解样本集来避免线性识别方法的失效。本文提出了两种解决方案,即基于聚类的人脸样本集分解方法和基于CMC曲线的层叠式原型筛选方法。综合这两种方法的优点,本文提出了Clustering-CMC方法。实验结果显示,与单一的线性识别相比,Clustering-CMC方法获得了较好的改善效果。为了追求更低的识别错误率,本文研究了基于可见光图像和红外热图像相结合的多模式人脸识别技术。采用了图像融合方法将可见光图像和红外热像进行信息融合,增加了图像的信息量和每类的特异性,从而可以改善图像的识别准确率。本文创造性地提出了三种图像融合方法,即基于小波变换的像素融合方法、基于遗传算法的特征融合方法和基于Dempster-Shafer证据理论的决策融合方法,并分别将这三种图像融合方法应用于实验。实验结果表明,三种融合方法都是有效可行的,其识别准确率都远远高出了单一图像的识别准确率。