本文收集和分析了大量近年来国内外关于人脸识别的学术论文及文献，对计算机人脸识别的若干问题进行了研究与探讨。主要做了以下几个方面的工作： 　　首先介绍了图像模式识别的基础知识，通过图像预处理工作对图像进行噪声滤除、平滑、锐化等增强操作，目的有两个：一是通过增强有用信息抑止无用信息，从而改善图像的视觉效果。提高图像成分的可分辨性；二是使图像变成便于人工和机器分析的图像。接着介绍了目前的统计模式识别的方法。简单的描述了目前的典型神经网络——BP及模糊数学和灰色系统的基本理论。最后提出了利用模糊和灰色关联及神经网络相结合的方法来对人脸进行识别．试验结果表明该方法优于传统的人脸识别的方法并具有一定的应用价值。 采用人工神经网络方法与模糊数学、灰色方法相耦合的技术，提出了模糊一灰色关联-神经网络。首先我们选用的是标准人脸库——ORL和Yale人脸数据库来测试识别效果；在进行图像预处理平滑、锐化、归一化后提取人脸特征；采用不变矩理论来提取人脸特征值，通过将模糊理论和灰色关联度相结合，形成所提取人脸特征值的模糊关联度，将模糊关联度后的特征值作为神经网络的输入量进行人脸识别。试验表明本文提出的人脸检测的方法是合理可行的，具有一定的理论价值与实用价值。同时，与传统的BP神经网络及目前比较流行的模糊神经网络方法作比较，克服了常规神经网络中一些劣势，即不可避免地出现学习样本点有一定程度的冲突，而大样本的出现既增加了矛盾样本点出现的可能，学习也十分花费时间。从而进一步证明本系统在图像识别上所具有的极大潜力和优越性。 模糊-灰色关联-神经网络是神经网络思想和模糊、灰色关联思想结合的产物，它保留了神经网络的自学习能力和大规模并行处理的能力，具有认知能力；保留了模糊灰色关联方法对确定事物进行定量分析的能力，有较强的技能处理、规则推理和系统控制能力，实现了对系统运行行为的正确认识和有效控制。它将在许多领域内得到广泛的应用，如文字识别、指纹识别、人脸识别、医学图像识别、遥感图像识别等。