人脸识别算法中,经典贝叶斯算法是一种比较好的子空间方法,它对光照、表情和遮挡具有一定的鲁棒性。但该方法也存在一些弊端,例如在模型建立上存在一定的局限性导致可分辨信息的丢失。针对经典贝叶斯算法的弊端,本文研究了联合贝叶斯算法,并在联合贝叶斯算法的基础上进行改进,主要工作如下:第一,从经典贝叶斯算法模型的缺点出发,研究了联合贝叶斯模型,并提出训练过程中源数据库与目标数据库融合的优化,该优化使得联合贝叶斯算法可以更好地应用于实际场景。第二,在联合贝叶斯模型的基础上提出了图像特征提取的优化。本文采用简单实用的LBP(Local Binary Patterns)特征,对人脸图像提取全局和局部的LBP特征,并将提取的特征作为联合贝叶斯模型的输入,提升了人脸认证率。第三,针对联合贝叶斯模型训练过程中EM(ExpectationMaximization)算法效率低的问题,巧妙地利用公式之间的关系,将大矩阵运算转化为小矩阵运算,提高了运算的效率,减少了迭代运算的时间。本文在小样本训练下通过以上改进效果会有所提升,对有限的训练硬件资源和训练资源,当错误接受率为10%时,同库训练在FERET的DUP1、DUP2测试库上认证率都为100%;利用WDRef和LFW库结合训练,在FERET的Dupl、DUP2测试库上认证率为91.3%、92.0%;与此同时,同样的错误接受率下在LFW库上测试的认证率达到93.2%,超越了经典贝叶斯算法在DUP1、DUP2以及LFW图像库上的认证率。