人脸识别是计算机视觉和模式识别领域的一个活跃课题，在商业和法律上有广泛的应用前景，在安全监控中也大有用武之地。广义上的人脸识别系统可分为人脸检测与定位、特征提取与识别两个主要环节，这里所说的人脸识别主要指特征提取与识别部分。 本文介绍了多分类器融合结构和规则，主要分析了基于贝叶斯理论的各种融合规则并对其中的投票法进行改进：赋予不同分类器不同的权值，增加“第二候选人”备选。文中还介绍了三种人脸识别方法：二维加权主元分析方法(2DWPCA)、二维分块Fisher线性鉴别方法(2DBFLD)及二维离散余弦变换方法(2DDCT)，并将其运用于多分类器融合的人脸识别过程。这些方法不用将二维的人脸图像预先转换为一维的向量，提高了特征提取的速度。本文还在ORL人脸图像库上对成员分类器进行实验仿真，分别使用最近邻和最小距离进行分类。首先比较2DWPCA和2DPCA，前者在提取整体特征的同时考虑到了含识别信息较多的局部特征，实验数据表明，其性能一般要优于后者。其次比较2DBFLD和2DFLD，分块可以提取每一单元块的局部特征，提高了分类能力。然后仿真2DDCT，这种方法在提取主要信息的同时降低了计算复杂度。在设计好成员分类器的基础上进行多特征多分类器融合的实验，其中的融合规则分别采用和、积、中值、投票法和改进的投票法。在ORL人脸图像库上的实验结果表明融合互补的局部和整体特征可以取得比其中任一成员分类器更高的识别率，改进的投票法优于一般的投票法。