统计学习理论是机器学习领域的最新进展。该理论的核心思想是通过控制学习机器的复杂度,实现对推广能力的控制。支持向量机(Support Vector Machines,简称SVM)是在统计学习理论的基础上发展起来的一种新的学习机器,其优点在于:由于采用了结构风险最小化原则代替经验风险最小化原则,较好的解决了小样本学习的问题;将低维的原始空间映射到高维的特征空间,把非线性问题转化为了线性问题,同时又采用了核函数的方法,巧妙的避开了高维空间的复杂运算,使算法的实现成为可能。正是因为这些优越性能,该技术己成为机器学习理论的研究热点,并在很多领域都得到了成功的应用,但是SVM也存在着一些比较明显的缺陷。例如:核函数的选择和参数的优化缺乏理论指导、训练算法的完善、缺乏和先验知识的综合能力等等。这些问题的存在,使得SVM的研究还需进一步的完善。 本文将支持向量机与人脸检测技术相结合,以核函数的选择和参数的优化为核心,对彩色图像的正面人脸检测做了一些有益的研究和探索。 本文的主要工作包括: (1) 提出基于遗传算法的核函数参数优化的方法,并用实验进行验证。 本文以Gauss核函数为例分析了核函数的参数选择对核函数性能的影响,并在此基础上提出了利用遗传算法的全局优化能力来解决核函数的参数选择问题,实验结果证明经该方法得出的最优参数取得了较好的效果,并且其搜索最优参数的速度较快。在此基础上本文利用遗传算法,以检测错误率为适应度,对Gauss核函数、3次多项式核函数、4次多项式核函数三种核函数进行了参数优化的对比实验,并仔细分析结果,我们发现:Gauss核函数具有较高的分类