本文在分析了大量近年来国内外关于人脸检测与识别的学术论文及研究报告的基础上,对计算机人脸识别技术的若干理论问题进行了探讨,提出了基于静态图象的正面人脸检测与人脸识别的方法.实验证明本文提出的方法是合理的,具有一定的理论价值与实用价值.本文的研究工作主要包括以下几个方面:(1)研究了人脸目标检测与识别的特征提取方法.针对建立人脸感知系统的两个主要环节即特征提取和分类器设计进行了深入的研究.人脸检测和识别过程中的图象特征建模过程,与分类器分类过程间存在两种权衡:即特征提取和分类过程的运算效率之间的权衡,以及运算效率和准确率之间的权衡.(2)提出一种高效的基于静态图象人脸目标检测的训练框架.首先提出一种鲁棒的基于灰度图象的人脸检测方法.利用实际图象中人脸模式类的概率远远小于背景类的概率这个事实,用模式拒绝原理选择局部特征,并用信息论中Kullback-Leibler散度进一步选取有效的统计特征组合分类器进行最终判决.为保证检测的速度,使用Haar-like小波基作为特征,积分图象的方法用于特征的实时计算.而后这种方法与肤色模型相结合,进行彩色图象中人脸检测.(3)提出一种独立分量分析(ICA)和支持向量机(SVM)相结合的人脸识别方法.首先提出人脸五官显著特征和轮廓关键点的检测方法,对人脸图象进行准确归一化对齐,以减小人脸变形引起的差异.然后针对图象对齐结果进行独立分量分析,提取全局识别特征,分类阶段采用层级决策SVM分类器.(4)提出利用Boosting方法进行基于局部弱分类器集成的人脸识别方法.随着机器学习理论的崛起,组合多个分类器的集成学习方法因其具有泛化能力强和不易出现过学习等优点,逐渐成为模式识别领域的研究热点.将人脸模式的相似度分为"类内差"和"类间差",从而将多类识别问题转换为两类识别问题.通过在离散小波分解的不同频率域的局部区域采样构造弱分类器,并用AdaBoost算法训练进行自适应集成,最终的匹配决策是由多个弱分类器结果加权组合而成.(5)充分利用模式拒绝的思想,并贯穿了人脸检测和识别的全部过程.模式拒绝有效地解决了人脸检测的效率问题,以及实现识别过程中在大数据库中的快速人脸检索.