在信息安全比较发达的时代，人脸识别技术成为了保护人的信息安全等方面更可靠更便捷的一种身份鉴别方法。人脸识别日益成为人们和学者们关注的热点话题。在某些特定的场合，对人脸识别的实时性、识别的精确程度以及识别所耗费的时间等的要求都是比较严格的，例如现在提出的人脸支付等。但是由于人脸本身的特殊性，以及复杂背景、装饰物和遮挡物、光线强度等给人脸识别研究带来了很大的困难。因此要能真正解决以上问题，并对人脸识别系统功能有质的突破[1]，还是有极大的挑战性的。　　在复杂背景环境下，单一色彩空间和单一肤色模型的肤色分割效果不佳，为了提高肤色区域提取的效果，我们提出双色彩空间的综合肤色模型的人脸检测方法。通过肤色提取法就可以把人脸区域从环境、背景等非人脸区域中分离开，然后再对人脸区域位置和大小进行定位，以此来确定是否是人脸区域。　　关于人脸研究相关课题上，众所周知的第一步就是进行人脸检测，这也是很关键的一步，因为它会对检测和识别的性能产生直接的影响，所以它占有很重要的地位[2]。对于传统的AdaBoost人脸检测算法，在训练弱分类器的时候采用的是穷举搜索，不但延长了训练的时间，而且使计算复杂度也增加。因此我们在AdaBoo st人脸检测方法的基础上做了一些改进，提出了粒子群和人工鱼群的混合算法（PSO-AFSA），充分利用了这两者的优势互补性。目的是为了寻找最佳特征以及在分类器级联时最佳权值,把PSO-AFSA-AdaBoost方法用于人脸检测[3]。在人脸库及其他通道获取的图像上做了测试，检测率得到了很大提升，为人脸识别做好准备。　　人脸识别首先完成的是人脸特征提取，提取到的特征信息对识别的准确率影响很大，而且特征的维数也会造成计算复杂度的不同，全局和局部特征需要综合考虑[4]。因此我们先做小波变换，然后再用MB-LBP提取特征，用这样的联合特征提取方法。通过PCA降维处理，分类器选用的是SVM。但是SVM中惩罚因子C和核参数都存在选择问题，因此本文提出PSO-SVM，用PSO对这两个参数求解最优值[5]。这就是本文提出的联合特征提取与 PSO-SVM算法的人脸识别。在ORL人脸库，用上述肤色提取及改进的人脸检测算法进行检测后得到的图像作为识别的训练和测试图像[6]，并与其它算法结果进行了比较后，得出识别率和识别速度都有比较明显的改善。