随着近年的不断深入研究,人脸识别已经成为计算机视觉,人机交互和模式别等多领域的热门研究课题。人脸识别因其具有非侵犯性和强大的事后追踪可查性等优势成为当今最主要的生物特征识别技术。高效的人脸识别算法已经成为公共安全,信息安全和金融安全等多领域的重要保障,所以对人脸识别算法的识别性能的提高是至关重要的。自二十世纪九十年代开始到现在,集成学习(Ensemble Learning)已经成为机器学习四大研究方向中最主要的方向。它可以有效的提高机器学习算法的泛化能力和整体性能,已经在web信息检索与过滤,数据挖掘分析等多个领域取得了成功应用。本文主要研究工作是使用集成学习的方法解决人脸识别中的问题,提高人脸识别的性能。因为光照角度和强度变化可以引起人脸表观的巨大变化,所以来自不同人的两幅人脸图像之间的相似度可能比来自同一个人的不同光照条件下的两幅人脸图像之间的相似度还要大。红外人脸识别因其可以有效抑制由光照变化所带来的影响而受到越来越多的关注,但是由于热红外人脸识别对外界温度和人自身温度的变化较为敏感,而近红外线成像还可以抑制温度变化的影响,所以近红外人脸识别成为一种主流的对光照鲁棒的人脸识别方法。使用近红外线采集的人脸图像与可见光采集的人脸图像相比会丢失部分面部特征,这势必会对识别性能造成一定的损失。本文的第一个工作就是使用加权求和的集成学习策略在得分层次对可见光人脸识别和近红外人脸识别进行了融合。实验部分在两个公开的同源异质人脸数据库上进行了验证,实验结果表明这种基于得分的融合方法是有效的。生物特征识别的应用很广,总体上主要分成民用应用,警用应用和高安全领域的应用三种。本文分析了三种应用对算法性能的不同需求。目前,高安全领域的应用相比其他两个还缺少充分的研究。高安全领域的应用要求算法具有极低最好是为零的错误接受率,错误拒绝率越低越好,本文将这种要求称之为“双低”。针对“双低”的需求目前还没有具有普遍性的解决方案。本文的第二个工作就是提出了一种面向高安全应用领域的具有普遍性的混合集成框架。这个框架包含串行部分和并行部分,在串行部分多个分类器顺序使用,直到有某一个分类器得出可信的结果,如果最终都没有任何一个分类器可以确认结果,那么在并行部分将使用基于排序(Rank-Level)的集成方法对所有分类器的输出序列进行TOP-N融合,最终获得一个结果。实验部分在多个数据库上对这个框架的有效性进行了验证,实验结果表明此框架在人脸识别上能够取得很好的结果。