人脸识别技术作为一项重要的智能识别技术，在视频监控、安全安防、金融等领域广泛用于人的身份鉴定。现代社会对信息安全的要求推动了人脸识别技术的快速发展，目前虽然对人脸识别算法的研究已经取得了非常好的成果，但由于人脸图片在拍摄时所处的复杂环境，光照条件，人脸上有眼镜与胡须等遮挡物以及人脸上的表情姿态等，都会使得人脸识别算法的速度、准确率、鲁棒性等方面有很大的局限性，因此还不能完全满足人们的实际中需求。人脸识别是通过对输入的人脸图像进行数据筛选，提取出重要的特征，用于分类识别的一项技术。目前人脸识别主要研究方向有：人脸数据预处理、特征提取、分类识别。近些年来，神经网络集成学习已经成为神经网络领域研究的热点，在解决回归和分类问题上有着突出的能力，而且集成后的神经网络通过训练多个神经网络，比单个神经网络有着更好的泛化能力。因此，本文将神经网络集成用于到人脸识别中。人脸的特征提取是人脸识别中的关键一步，本文中，对特征提取及分类识别部分分别进行了深入的研究与探讨，将核独立元分析和核主元成分分析方法分别用于人脸的特征提取，并对核独立成分分析进行了改进，最后选用神经网络集成作为分类器来融合两者的特征，以相对多数投票方式输出分类结果。KICA是人脸特征提取中的一种非线性处理方法，即解决了ICA算法在非线性提取方面存在的不足，又具有了ICA算法在人脸特征提取方面较好的鲁棒性。在本文中，将五阶收敛的牛顿迭代法和最速下降法相结合，来降低原始算法对初始矩阵的依赖，并在算法中加入惩罚因子，将其运用到Fast ICA算法的核心迭代过程中，得到了一种改进的核独立成分分析算法。此方法，有利于独立成分的分离，提高了分类精度。利用改进后的KICA让我们从人脸的数据中提取出了具有代表性的局部性特征，KICA算法是ICA与KPCA算法的一种结合，再利用KPCA算法计算人脸的全局特征时，即节约了求解人脸特征的时间，又降低了计算量。最后，采用集成BP神经网络与PNN神经网络融合两者的特征，以相对多数投票的方式输出结果。由于KICA方法与KPCA方法提取后的人脸特征，使得个体学习器的差异变大，集成效果也越好。通过在公共人脸库上的实验，证明了本文所提出的算法具有鲁棒性强、较高的执行效率和识别率等优点。