在计算机和网络技术高速发展的时代,人脸识别技术也随之快速发展,并逐渐成为模式识别、人工智能等领域的研究热点。人脸识别技术不仅在企业应用、公共安全等方面应用广泛,而且在国家信息安全和金融安全等方面发挥了重要的作用。虽然人脸图像容易采集,但是由于表情改变、光照及姿态不同、遮挡和年龄等问题的存在,使得人脸识别技术的进展极其缓慢。通过阅读大量的相关文献不难发现,大部分的人脸识别方法都只针对其中的某个问题来寻求解决的方法,而没有考虑到其中两个或多个问题同时存在时的解决方案,所以寻求一种鲁棒的人脸识别方法将是今后研究的一个重点内容。Bag of words (BoW)模型最初被应用于文档处理领域,而后被引入到图像处理领域,并得到了很好的效果。本文将BoW模型应用于人脸识别领域,并且在研究该模型的基础上,针对其中存在的一些不足进行了改进:首先,在视觉词典的构造环节,为了得到更可靠更高效的视觉词典,针对传统k-means聚类方法存在的过度依赖于初始聚类中心、随着数据量增大,计算复杂度增高和容易陷入局部极小等问题,将二分K均值引入到BoW模型中,进行视觉词典的构造。该方法每次迭代过程中只有两个聚类中心,不仅有效的降低了对初始聚类中心的依赖还减少了收敛时所需的迭代次数,从而提高了计算效率。实验结果表明,本文提出的方法不仅有效的提高了人脸识别率,还有效的缩短了构造视觉词典所需的时间。其次本文将所提出的改进方法应用于单样本的人脸识别,由于在现实生活中,很多情况下都只能获得样本的单张图像,如居民身份证、驾驶证、护照等,因此单样本的人脸识别系统已经成为人脸识别重要的发展方向。由实验结果可以看出,本文提出的算法对于单样本的识别率很高,并且对于光照、表情及部分遮挡、面部不同角度的姿态等情况都具有很好的鲁棒性最后在分析了支持向量机(SVM)分类方法和人脸识别实际应用需求的基础上,将相关向量机(RVM)引入BoW模型中,将其作为分类器来对人脸图像进行分类识别。该方法有效的解决了SVM的预测结果不是概率性质、核函数必须满足Mercer条件等问题,而且与SVM相比,RVM更稀疏,使用了更少数量的支持向量,从而显著减少了测试样本的计算时间。实验结果表明,RVM的识别率等于有时略低于SVM,但RVM有效的缩短了测试时间,这对于人脸识别的实际应用具有重要的意义。