人脸识别技术是一个非常活跃的研究课题，有着广泛的应用前景。人脸识别问题从本质上讲是分类问题，对于人脸识别这样的小样本问题，传统的分类方法容易出现过学习(overfitting)现象，导致算法泛化能力差，对人脸识别这个非线性很强的分类模式无能为力。建立在统计学习理论和结构风险最小原理基础上的支持向量机方法，因其结构简单、学习性能优越，可防止过学习现象和陷入局部最小等优点，已经成为人脸识别的首选分类器。 量子遗传算法(QGA)是量子计算理论与遗传算法原理相结合的产物，作为一种新兴的全局优化算法有着很好的应用前景。QGA以量子计算为基础，采用量子比特编码，由于量子比特能够表征叠加态，因此比传统遗传算法具有更好的种群多样性和收敛性。算法通过量子门作用实现进化搜索，因而QGA具有种群规模小、寻优能力强、收敛速度快和计算时间短的特点。 本文在对量子遗传算法进行研究的基础上，提出了一种基于量子遗传算法的人脸识别改进算法。在该算法中首先对人脸图像进行特征提取，然后利用支持向量机进行识别，并采用量子遗传算法对其参数进行选取。为了能用较少的特征个数得到较高的识别率，对所需提取的有效特征个数也同时进行了选择。算法实现了支持向量机参数的优化选取，具有利用较少的人脸特征得到较高识别率的优点。利用ORL(OlivettiResearchLaboratory)人脸库对该算法进行仿真实验，得到的正确识别率为96％，验证了算法的有效性。与用传统遗传算法对支持向量机进行优化相比，误识率降低了33％。