در این پروژه به آشکار سازی چهره از تصاویر رنگی، عکس بر داری شده در نور مرئی و از جهان واقعی با پشت زمینه پیچیده پرداخته و جهت برآورده شدن این هدف روش های یادگیری ظاهر مبنا با ویژگی های نامتغیر ترکیب ، و برای کاهش فضای جستجو از آشکار ساز پوست رنگ مبنا روی 15 فضای رنگ مختلف استفاده شد و در حین حصول عملکرد مناسب، با استفاده از الگوریتم utans به تعیین ویژگی های موثر در آشکار سازی چهره با استفاده از شبکه عصبی خوشه بندی شده جهت طبقه بندی پوست (تک لایه با 2 و 3 نرون در لایه پنهان) و شبکه عصبی ادراکی چند لایه ( mlp) (تک لایه با 3 نرون) جهت طبقه بندی چهره پرداخته و سیستم با استفاده از رسم نمودار های roc ارزیابی شد. روش شناسایی چهره مذکور مستقل از میدان بوده و روی پایگاه داده voc2007 آزمایش خود را در مقایسه با سایر روش های مورد بررسی پس داد. استفاده از شبکه عصبی خوشه مبنا علاوه برافزایش کارایی (کاهش far در مقابل dr نسبتاً ثابت) ، سرعت را نیز بالا برد. حذف مولفه روشنایی باعث افزایش خطای سیستم شد.این بدان معنی است که مولفه روشنایی می تواند دارای اطلاعات مفیدی باشد. نتایج نشان داد که مولفه های رنگ در یک سیستم آشکار ساز پوست mlp مبنا برتری خاصی نسبت به یکدیگر نداشته و تعداد و انتخاب ترکیب مناسب و موثر مولفه های فضای رنگ با توجه به ساختار سیستم و داده ها اهمیت داشته و برتری یک مولفه رنگ را مشخص می کند. همچنین شبکه با ورودی های تحت نگاشت pca عملکرد کمتری را نسبت به سیستم با مولفه های مستقیم رنگ به عنوان ورودی از خود نشان داد. نماینده ای از ویژگی های تصویر گرادیان و شکل شناسی و برجستگی دیداری به ازای 3 نوع تصویر ماسک شده، دودویی و کامل محاسبه و با استفاده از نتایج الگوریتم انتخاب ویژگی utans تأثیرات آنها روی عملکرد سیستم شناسایی چهره مقایسه و تحلیل شد. 7 ثابت گشتاور جهت کاهش فوق العاده ابعاد بردار ویژگی، دادن استقلال به ویژگی ها و برابر سازی ورودی ها به کار گرفته شد. ویژگی گشتاور تصویر لبه یابی شده از تصویر نوع نخست، مطلوب ترین ویژگی ها تعیین شد و گشتاور پیکسل های خام تصویر نوع نخست در رتبه بعدی قرار گرفت. ضعیف ترین ویژگی ها ویژگی های شکل شناسی حجم و خروج از مرکز ارزیابی شدند و در نهایت سیستم شناسایی چهره با ویژگی های موثر کارایی بالایی از خود نشان داد.