随着现代信息技术的快速发展,社会各界对信息传输安全性的需求越来越强烈。包括人们日常使用的在线购物、网络金融在内的许多应用场景的实现,都需要有安全高效的身份认证技术的支持。而在众多的身份识别方法中,人脸识别凭借着自身的便利性,越来越受到人们的关注,成为研究人员的研究热点。与此同时,网络速度的高速增长,使得人们能够在网络上更快的传输图片,视频等信息。因而,对传输的图像质量的自动评价也随着网络图像传输的普及而变得越发重要起来。由于输入图像的质量会对人脸识别的正确率造成很大程度的影响,可以猜想图像质量与人脸识别率之间存在一定的关系。本文以此为研究对象,提出了图像质量等级与人脸识别率的关系模型,通过图像质量的等级直接得到人脸识别的正确率水平。本文首先探讨了人脸识别领域中经典的Viola-Jones人脸检测算法,稀疏编码分类模型,以及图像质量评价领域中的QAC算法的理论基础,并通过实验的方式验证了这些算法的有效性;接着研究了影响图像质量的噪声种类,通过单独研究高斯噪声和高斯模糊强度对QAC图像质量评价算法的性能影响,得出了QAC算法能够较好的拟合人眼主观视觉感受的结论;然后利用QAC评分作为衡量图像质量水平的尺度,研究了高斯噪声和高斯模糊下图像质量水平与人脸识别率两者的对应关系,并得到关系模型中QAC评分与人脸识别率之间的关系;最后,为了将QAC评分区间准确划分为几个图像质量等级,本文引入了模糊集合论的概念,提出了“模糊区间”。它使用隶属函数描述区间的边界,更准确地反映了人们主观感知上的图像质量,从而进一步完善了图像质量与人脸识别率关系模型,使人更容易接受图像质量与人脸识别率之间的映射关系。实验表明,高质量等级的图像对应的人脸识别率较高,并且随着图像质量的下降,人脸识别率也会有明显下降。本文主要实现了图像质量与人脸识别关系的量化模型,可以应用于指导对成像采集设备等级的合理选择。