本文运用国际权威的人脸图像数据库，建立数据集，通过降低维度、处理特征值以及构建最优模型，并结合支持向量机和卷积神经网络模型实现机器学习在人脸识别的应用。

然后将数据集分为训练集和测试集。用训练集来建立模型、交叉验证并选择最优模型，求得参数，用测试集评价模型性能。紧接着分别用支持向量机模型和卷积神经网络模型进行实验训练得出结果，评价模型精度。

最后根据最终确立两种的模型做出总结，探讨提高人脸识别应用技术的思路和建议。

(1) 实行方案：首先学习图像处理相关理论，学习python软件，阅读图片识别和机器学习研究相关文献；然后搜集图像数据，利用之前所学理论和软件进行分析，建立支持向量机和卷积神经网络的人脸识别模型，然后评价模型精度，最后根据得出发展人脸识别技术的思路和建议。

(2) 进度：1月初-1月中旬：了解课题研究的内容，查阅相关资料，学习相关知识，确定基本的研究方案并撰写任务书和开题报告；1月中旬-3月上旬：采集相关数据，整合资料，分析计算模型，并准备中期报告；3月上旬-5月上旬：整理相关结果，撰写毕业论文，完善论文并准备论文答辩。

(3) 预期效果：建立人脸识别支持向量机模型和卷积网络模型，利用机器学习优化算法模型完善模型，获得更优的识别效果。

4. 参考文献

[1]valentine tim,lewis michael b,hills peter j. face-space: a unifying concept in face recognition research[j]. quarterly journal of experimental psychology , 2016, 69(10) :56-59.

[2]jian zhaojun,suzukawa akio. depth-svm : support vector machine based on data depth[j].proceedings of the symposium of japanese society of computational statistics,2014,28(0).

[3]a. krizhevsky,i. sutskever, g. e. hinton. imagenet classification with deep convolutional neural networks[j] . advances in neural information processing systems, 2012:1097–1105 .