人脸识别作为生物特征识别中最有发展潜力的技术,已被广泛应用于智能监控、安检、金融等领域。本文分别对人脸识别系统中人脸检测、人脸关键点定位和单样本匹配识别三个主要内容进行了深入研究,研究的结果表明,采用改进的随机森林模型,可以有效提高人脸识别系统的检测率和识别率,具体研究内容列举如下:1.运用梯度Boosting算法改进随机森林分类模型的方案,并在此基础上研究了一种“改进随机森林+Haar特征+级联检测”的人脸检测方法。并在MIT-CMU人脸库上进行了比较实验研究,结果表明,改进算法与经典的V-J算法(Viola-Jones)相比,平均检测率相比提高5%-10%。2.基于回归的随机森林模型,研究了一种利用人脸局部图像块对多个关键点位置进行联合投票的人脸关键点定位方法,将关键点定位问题转化为投票空间的回归预测问题。在LFW人脸库上的比较实验表明,相比传统基于特征点和形状的算法,所提方法在设定的10个关键点上定位精度均为最高。3.针对单样本匹配识别问题,本文研究了利用局部块加权思想改进传统LBP(Local Binary Pattern)特征,使得人脸不同局部区域具有不同的分类权重,最后对所有局部LBP特征进行加权融合,并利用匹配函数进行人脸比对识别。在0RL人脸库上的比较实验表明,所提方法识别率与传统方法相比最高有10%-15%的提升。最后,基于上述三个主要内容,本文结合数据采集和数据管理模块,设计了一个完整的人脸识别系统。通过在实际场景中的测试,本文设计人脸识别系统具有高识别率、实时性和较强稳定性的特点,可以满足实际应用场景中对性能和执行时间的要求。