人脸识别早在20世纪60年代就引起了人们的研究兴趣.近几年，它在安全验证系统、信用卡验证、档案管理系统、人机交互系统等领域有着广泛的应用前景，已经成为计算机视觉和模式识别领域的一个研究热点.人脸识别中的一个关键问题就是设计有效的分类算法.核机器学习是现在比较流行的一种学习算法，主要有支持向量机(SVM)、核主成分分析(KPCA)、核Fisher判别分析(KFD). 本文主要讨论目前比较流行的核学习算法，阐述它们之间的区别和联系.相比其它的学习算法，SVMs有较好的推广能力和解的稀疏性.因此，我们将核Fisher判别分析展成类似支持向量机的数学模型，使之也具有稀疏性.此外，我们还利用误差修正码(ECOC)改进了多分类SVM，降低了多分类SVM的求解难度.在人脸识别的仿真实验中，我们用改进的SVM算法与其它的核学习算法进行比较，实验结果表明这种算法具有较高的识别率和稳定性.本文总共分为五个部分：第一部分，介绍了核函数与其相关的特征空间.第二部分，介绍了核主成分分析的无监督学习.第三部分，分析并改进了基于Fisher判别分析的核学习机器.第四部分，简要介绍了支持向量机的理论，采用误差修正码改进了LS-SVM多分类算法.第五部分，通过人脸识别的仿真实验测试改进的SVM算法的有效性，并与其它的核学习算法进行比较.