支持向量机(Support Vector Machine,简称SVM)方法是根据统计学习理论提出的,以结构风险最小化准则和VC维(由Vapnik和Chervonenkis两人提出)理论为基础,以寻找最优分类面为目标的一种新的机器学习方法。最优分类面就是在保证把两类目标正确分开的同时使得分类间隔达到最大。本文针对One-class SVM算法进行较深入的研究,并将其应用到人脸识别中的分类识别环节,主要内容如下：(1)分析One-class SVM算法中当两个训练数据集的数量大小不平衡时,结果倾向大的训练数据集的原因。通过提高小样本的加权系数的方法,对One-classSVM算法加权改进,解决了训练数据类别大小差异造成的影响问题,减少了训练模型的误差。(2)将加权One-class SVM分类器应用到3D人脸识别中。本文使用主成分分析(PCA)提取人脸特征向量,将其作为加权One-class SVM分类器的输入向量,用加权One-class SVM算法对人脸图像样本进行训练,构造生成加权One-classSVM分类器。然后对待测人脸图像进行分类识别。最后,通过matlab编程实验,说明该算法对3D人脸识别有效。