支持向量机是在统计学习理论上发展起来的一种新型机器学习方法,在解决模式识别领域中小样本,非线性,超高维等问题方面表现出明显的优势。为了解决现实中的数据在输入空间中的不可分问题,我们把输入数据映射到一个高维空间中,在这里数据就变的可分。而这个映射不是确定给出的,而是通过使用一个核函数来代替映射数据的内积,从而减少计算量,怎样才能为核函数快速的选择出合适的参数就是我们研究的问题。人脸识别有很多有潜力的应用,例如安全系统,人机接口,视频数据库的搜索,万维网等。传统的人脸识别方法是把一个核函数应用到全局特征中去,而全局特征很容易被噪声和遮挡影响,所以传统方法在有遮挡的情况下识别率不是很高。基于以上两个问题,本文主要从以下两方面展开工作：(1)对于核参数的选择问题,我们使用特征空间中的群间距离和混合核函数相结合的方法来解决。计算这个距离所消耗的时间要比训练相应的支持向量机分类器少的多’,因此能够更快的选择出合适的核参数,而且比使用单一的核函数有更高的准确率。(2)针对全局特征容易被噪声和遮挡影响的问题,我们把局部高斯核函数应用到局部特征中去。在本文中,我们通过加和的方法把局部高斯核函数结合起来,构成局部高斯加和核函数,然后用模糊支持向量机代替传统的支持向量机。实验表明,在局部遮挡的情况下,此方法有较高的识别率。