人脸检测是当前模式识别中重要的研究方向。作为人脸自动识别系统的重要环节一人脸检测，其应用背景已经远远超出了人脸识别系统的范畴，在基于内容的检索、数字视频处理、视觉检测、人机交互等方面有着重要的应用价值。另外，成功地构造出人脸检测系统，将为解决其它类似的复杂模式检测问题提供重要的启示。 分析了大量的人脸检测文献，发现基于机器学习的方法与其他方法相比具有更好的适应性，进而成为了人脸检测研究的主流方法。统计学习理论是机器学习领域的最新进展，该理论的核心思想是通过控制学习机器的复杂度，实现对推广能力的控制。支持向量机(SVM)是在统计学习理论的基础上发展起来的一种新的最小化原则，采用结构风险最小化代替经验风险最小化，较好的解决了小样本学习的问题。归纳如下： 1．利用SVM来进行人脸检测。本文在深入研究统计学习理论及SVM的理论和算法的基础上，实现了基于SVM的人脸检测方法。SVM人脸检测方法包括训练和检测两部分：训练过程是用大量人脸样本、非人脸样本训练SVM分类器，使之获得一个最优分类超平面，检测阶段用训练好的SVM分类器检测图像中的人脸。 2．核函数的类型直接决定了支持向量机分类器的许多性质，常用的核函数一般可以分为两种主要的类型，即全局核函数和局部核函数。在研究了两类核函数的性质后，提出将全局核函数和局部核函数结合起来使用，从而使两者的优点也被结合起来，达到更加完善的分类效果。 3．对当前各种比较通用的支持向量机训练算法进行了研究，比较了各种算法的优劣，尤其深入研究了SMO算法，发现其算法低效的主要原因是采用了单一的阈值，提出了一种使用两个阈值的改进的SMO算法，这种改进的SMO算法在训练速度及分类准确性上都有一定的提高。 4．采用了DCT变换的特征提取，用于输入SVM中。DCT变换实际上是空间域的低通滤波器，DCT变换的低频分量包含了图像的主要信息(如亮度)，高频分量与之相比，就显得不那么重要了，所以在应用中忽略图像的高频成分，从而达到压缩输入向量维数的目的。