| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·人脸识别的发展和现状 | 第7-9页 |
| ·课题的研究意义 | 第9页 |
| ·本论文的研究内容及组织结构 | 第9-11页 |
| 第二章 支持向量机基本原理 | 第11-20页 |
| ·统计学习理论 | 第11-14页 |
| ·函数集的VC 维 | 第11-12页 |
| ·推广性的界 | 第12-13页 |
| ·结构风险最小化 | 第13-14页 |
| ·支持向量机的工作原理 | 第14-17页 |
| ·线性支持向量机 | 第14-16页 |
| ·非线性支持向量机 | 第16-17页 |
| ·多类支持向量机 | 第17-20页 |
| 第三章 支持向量机优化算法的研究及改进 | 第20-36页 |
| ·分类优化算法 | 第20-23页 |
| ·分块算法（Chunking） | 第20-21页 |
| ·分解算法（Decomposition） | 第21-22页 |
| ·序列最小最优化算法(Sequential Minimal Optimization) | 第22-23页 |
| ·Svmlight | 第23页 |
| ·微粒群算法训练支持向量机（PSO-SVM） | 第23-28页 |
| ·微粒群算法 | 第23-27页 |
| ·PSO-SVM 算法 | 第27-28页 |
| ·量子行为的微粒群算法训练支持向量机（QPSO-SVM） | 第28-33页 |
| ·基于量子行为的微粒群算法 | 第28-31页 |
| ·QPSO-SVM 算法 | 第31-33页 |
| ·仿真实验 | 第33-36页 |
| 第四章 支持向量机在人脸识别中的应用 | 第36-50页 |
| ·特征提取 | 第37-39页 |
| ·主分量分析（Principal Component Analysis） | 第37-38页 |
| ·核主成分分析（Kernel Principal Component Analysis） | 第38-39页 |
| ·基于支持向量机的人脸识别 | 第39-43页 |
| ·PSO-SVM 人脸识别 | 第40-42页 |
| ·QPSO-SVM 人脸识别 | 第42-43页 |
| ·仿真实验 | 第43-50页 |
| ·人脸的特征提取 | 第44-45页 |
| ·PSO-SVM、QPSO-SVM 人脸识别的实现 | 第45-49页 |
| ·实验结果分析 | 第49-50页 |
| 第五章 总结与展望 | 第50-52页 |
| ·总结 | 第50页 |
| ·展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-55页 |
| 攻读硕士学位期间发表的论文 | 第55页 |
