统计学习方法，特别是Boosting学习，在计算机视觉中得到广泛的应用。本文研究基于Boosting自动人脸识别算法。在理论上，本文提出一种改进的Boosting学习算法；在实践上，本文将Boosting学习方法应用到人脸检测、人脸对齐、对齐评估和人脸识别中。主要贡献是： 首先，本文提出一种基于理论分析的特征选择准则的Boosting学习算法，称为Jensen-Shannon(JS)Boost。采用相对熵(RelativeEntropy)作为弱分类器性能评价的目标函数。我们推导表明，在Boosting每轮弱分类器选择学习中，使得Jensen-Shannon(JS)散度最小的弱分类器正好是使得相对熵最小的弱分类器。由于JS散度比其它测度(例如Kullback-Leibler散度)计算稳定，所以JS散度能为两类之间提供一种更合适的相似性度量。因此，我们将JS散度与Boosting学习过程结合学习出更优化的弱分类器。将JSBoost学习算法应用于人脸识别中。实验结果表明，JSBoost能比其他Boost变种(例如RealBoost，GentleBoost，KLBoost)得到更好的识别效果。 其次，Viola和Jones提出一种称为Haar-like的特征，并将其应用到人脸检测中。后来有不少研究人员对Haar-like特征进行扩展，企图描述带有方向信息的特征。然而，这些方法始终不能很好地描述人脸的形状和边缘信息。Sobel算子是一种简单有效的边缘描述算子。但Sobel算子本身对噪声比较敏感。我们引入一种称为Sobel-like特征。在特征构造过程中，我们采用图像块的平均值，而不是像素值，与Sobel算子进行卷积。然后，用Boosting学习这种Sobel-like特征来训练人脸检测模型。 第三，对很多人脸分析和合成来说，精确的关键点定位是非常重要。主动形状模型(ASM)是一种很强的人脸对齐工具。然而，由于姿态、表情、光线的影响，主动形状模型很难对人脸图像给出精确的定位。本文提出一种改进的主动形状模型，对每个关键点用统计学习的方法建立相应的模型。在建立关键点模型时候，我们采用关键点及其周围点的Gabor特征作为特征空间，然后采用Boosting学习方法学习出比较能刻画该关键点的特征，并构造成为分类器。 第四，本文采用统计学习的方法构造人脸对齐的评估函数。从一个正(对齐好的)负(对齐不好的)样本集中学习得到一种非线性的分类器，并将该分类器用于对齐结果的评估。基于边缘信息构造弱分类器，采用Boosting学习出弱分类器，并组合成一个强分类器。我们还采用重采样的方法选择负样本，训练多个强分类器。在评估过程中，训练出来的分类器给测试样本一个合理的评价分数。值得指出，在这里本文采用多个强分类器级联的cascade策略进行训练和测试。Cascade策略是一种分治策略，使得训练变得容易，使测试速度变快。 第五，本文提出一种新的人脸识别算法，该识别算法是基于局部统计Gabor变换系数作为特征的。对人脸图像每个像素点进行Gabor变换得到Gabor的实部系数和虚部系数，并将这两种系数转化为幅度系数和相位系数。用5个尺度和8个方向的Gabor滤波器与人脸图像进行卷积可以得到40幅度系数图像和40幅相位系数图像。然后，用一个子窗口对这些系数图象进行从上到下从左到右的扫描得到一系列的子窗口。统计各个子窗口的直方图。将人脸识别这种多类分类问题转化为两类分类问题，即类内/类间。用子窗口的直方图来构造图像对的类内/类间特征，并用咖方距离(ChiSquareStatisticDistance)来度量直方图的相似性，从而构造出一系列的类内/类间特征。最后，本文采用Boosting学习的方法从特征集中学习出一个强分类器。