近年来,随着金融贸易和安防方面等应用需求的迅猛发展,人脸识别技术成为人工智能和图像处理领域中最前沿的研究课题之一。人脸识别技术具有非接触性、防伪性能优和交互界面友好等诸多优点,使其成为最友好的生物特征识别技术。由于受到实时采集图像的数量和自身(如装饰、表情、遮挡)及外界(如光线)等诸多因素的影响,人脸识别技术的发展受到了限制。为了提高人脸识别率并满足实时性要求,人脸识别技术需要得到进一步完善和发展。本文主要针对小样本数据和特征选择及分类器参数同步优化问题上展开研究,主要工作包括:1.针对人脸特征提取的特征向量含有大量不相关、嘈杂和冗余的数据而提高了分类器的复杂度和降低了识别的精确度等问题,提出基于新颖的二进制粒子群算法对特征子集进行优化选取。2.针对传统优化算法没有将人脸特征优化和分类器参数优化有效的结合,本文提出基于新颖的二进制粒子群算法和支持向量机算法实现特征选择和支持向量机参数的同步优化的方法。3.针对小样本问题,基于非正脸样本所构造的左、右对称虚拟图像存在许多冗余特征而提出构造人脸镜像虚拟样本图像以扩充训练样本集。本文采用了新颖的自适应加权融合算法实现样本间的特征融合,不仅有效地保留原始样本的部分特征,而且具有一定差异性的呈现出样本特征的多样性。