随着社会的发展,各个方面对快速有效的自动身份验证的要求日益迫切,于是怎么用计算机进行身份验证是一项有意义的研究工作。众所周知,人的各种生物特征是人的内在的属性,具有很强的自身稳定性和个体差异性,因此以人的生物特征为依据进行身份验证是可行的。而其中人脸特征又是最自然直接的手段,相比其他生物特征,它具有直接、友好、方便的特点,易于为用户接受。目前人脸识别问题的研究发展很快,涵盖了图像处理、模式识别和计算机视觉等多个领域,它主要有两个部分:特征提取和模式识别部分。特征提取是从人脸图像中提取可以用来分类的特征信息,而模式识别部分是利用提取的特征进行模式分类及识别,本文就是沿着这个方向继续研究。本文对目前人脸识别相关方法进行深入研究,提出了基于模糊RBF神经网络的人脸识别模型,并提出采用基于K-means的层次聚类方法优化模糊RBF神经网络人脸识别模型。具体地,本文首先概述了人脸识别的基本理论和相关技术,分析了人脸各种特征提取方法之后,选择采用独立主元分析方法提取人脸特征。然后对模糊RBF神经网络和聚类方法进行了研究,在此基础上建立了模糊RBF神经网络的分类识别模型。与其他神经网络一样,模糊RBF神经网络参数初始值的选择会影响其训练效果,隐层神经元个数也决定模糊RBF神经网络的性能。针对神经网络的共性以及模糊RBF神经网络自身的特点,本文提出基于K-means的层次聚类方法对训练样本进行聚类分析,根据聚类结果初始化模糊RBF神经网络的参数和设定隐层神经元个数,并在此基础上提出减少模糊RBF神经网络参加训练的参数。通过实验比较,本文的模糊RBF神经网络改进方法提高了模糊RBF神经网络的训练效果与人脸识别效率。