人脸识别作为生物特征识别技术的一个极具挑战性的重要分支，以其直观性、非接触性和可靠性成功应用于很多领域。经典人脸识别系统包括人脸图像的采集和定位、降维预处理、人脸特征提取和特征分类识别四部分，人脸识别算法的优劣，很大程度上取决于人脸的特征提取效果和分类器的选取。本文研究的人脸识别算法重点是对特征提取阶段和分类识别阶段的研究，在特征提取阶段，采用主成分分析法和快速独立成分分析法相结合的方法进行特征提取；在分类阶段，分别采用基于改进的支持向量机和极限学习机进行识别。通过在MATLAB2012a平台上对ORL人脸数据库的训练集和测试集进行实验仿真，从运算时间和识别率两方面验证了改进算法的有效性。本文主要内容如下：1.为消除光照等因素对分类性能的影响，将采集到的图像从三维空间转化到二维空间，利用基于肤色的人脸定位方法实时准确的定位出人脸的大致位置。2.在特征提取阶段，本文采用了PCA和FastICA相结合的特征提取方法。对高维的人脸图像采用一次小波分解提取其低频子图，用PCA算法进行降维提取主要的特征信息，结合FastICA算法提取得到独立成分脸空间，人脸的局部信息得到很好的体现。3.在分类识别阶段，重点研究了支持向量机和极限学习机这两种分类器。在基于SVM的人脸识别系统中，针对粒子群算法易陷入局部极小的问题，通过引入基于雁群启示的粒子群算法改进支持向量机，实验表明，与传统算法相比GSPSO-SVM算法提高了分类精度并降低了计算复杂度；在基于ELM的人脸识别系统中，针对极限学习机稳健性较差的问题，提出基于SPSO-ELM的人脸识别算法，实验表明，改进算法提高了识别率，具有很好的鲁棒性，有效改善了极限学习机的分类性能。