人脸识别是当前模式识别和图像处理领域的热点和难点, 而且因其具有广泛的实际应用背景, 开展对人脸识别的研究意义重大. 人脸作为一个非刚体, 具有形变大、影响因素多且易受干扰的特点. 而且因为实际条件的限制, 不可能对每个人都采集很多样本, 相对于其图像向量维数而言, 是一个小样本问题. 对于这样一个高维数、非线性的小样本问题, 许多传统的模式识别方法都容易出现过学习或欠学习现象. 支持向量机专门针对小样本问题设计, 基于统计学习理论的结构风险最小化原则, 选用最优分类超平面作为判别函数, 以最大化分类间隔为条件, 将分类问题转化为一个简单的二次规划问题, 使问题具有唯一的极值点. 通过引入核函数, 巧妙将线性不可分问题投射到高维空间后转化为线性可分. 而且因为采用核机制, 问题的计算复杂度并没有增加. 通过选取不同的核函数, 许多传统的分类方法都可以在支持向量机里找到相应的作用机理. 支持向量机在解决小样本问题方面已经表现出许多特有的优势, 并已成为当前国际上模式识别领域的首选分类器. 本文对支持向量机技术的理论基础进行了简单的介绍,分析了该技术中核函数的作用机理,并利用该技术, 着重考察了小波变换和K-L变换结合支持向量机技术在人脸识别方面的作用。通过对主分量分析和小波技术在人脸识别方面的应用加以改进,分别得到核主分量分析和小波与支持向量机结合进行人脸识别的方法。在两个人脸库上的实验结果表明,对两种传统方法进行的改进是卓有成效的。