人脸识别是指利用计算机分析人脸图像，进而从中提取出有效的识别信息，用来辨认身份的一门技术[1]。人脸识别技术的研究已经成为人工智能与模式识别领域的热点。人脸识别技术主要有三个步骤:人脸检测、特征提取和人脸识别。人脸识别技术的应用非常广泛，包括智能门禁系统、计算机安全领域、智能监控系统、机器视觉系统、医学诊断系统以及三维动画等领域。作为一个有着广泛应用背景的研究领域，人脸识别技术吸引了大批国内外研究学者的参与，许多知名的研究机构也将其列为重要研究方向，并已取得了很多成果。理想状态下的人脸识别技术已经非常成熟，但是要开发出真正鲁棒、大规模、快速的人脸识别系统还需要解决大量的问题。　　 关于人脸识别技术的算法非常多，近二十多年来，国内外众多研究小组和学者纷纷提出了自己的解决方案。但是由于研究者学术背景和应用的不同，这些算法也不尽相同。主动形状模型(Active Shape Model，ASM)和主动表观模型(Active Appearance Model，AAM)是两个非常有效的特征提取算法，它们都是基于统计的参数化可变模型。广泛应用于人脸特征点的定位、医学图像处理、图像配准以及跟踪等方面。　　 本文研究了ASM和AAM的算法实现过程，并比较了两类模型的异同点。在此基础上深入分析了AAM的匹配算法，然后在ASM和AAM基础上进行了改进。本文主要的工作如下:　　 1、复现了经典的ASM和AAM算法的建模过程，即通过手动标点获取训练集的形状信息，然后采用纹理映射提取全局纹理，最后经过主成分分析(Principal ComponentAnalysis，PCA)建立起参数化的ASM模型和AAM模型。我们通过实验分别展示了ASM模型和AAM模型的表征能力。　　 2、针对传统ASM对齐过程中存在的问题进行了研究，我们发现传统的ASM训练集对齐时采用的Procrustes算法是一种迭代算法，在训练集非常大的时候效率很低。因此我们采用基本的图像几何变换，经过平移、旋转和放缩把训练集变换到统一的框架下，实验表明，改进的算法大大的提高了对齐速度，并且对齐效果也更加优秀。　　 3、深入分析了AAM模型的匹配算法，我们对比了线性算法和逆向组合算法的匹配效果，并分析了其原因。通过实验，我们发现逆向组合算法的匹配结果要远远优于线性算法。　　 4、我们在逆向组合算法的基础上，进一步分析了AAM模型匹配过程中存在的若干问题，通过添加全局几何变换，我们能把AAM模型更好得匹配到输入图像上去。我们又在全局变换的基础上添加了切变变换，这使得AAM的匹配效果进一步加强，实验结果证实了算法的有效性。