در بسیاری از کاربردهای امنیتی، تصویر چهره ی انسان نقشی اساسی را به عنوان یک منبع اطلاعات زیستی ایفا می کند. تصویر چهره به راحتی قابل دستیابی است و یک راهکار مستقیم و راحت را برای شناسایی افراد فراهم می آورد. با این وجود، بازشناسی چهره کماکان با برخی چالش ها مواجه است و از تغییرات ظاهری چهره ی افراد که ناشی از تغییرات زاویه ی دید، شدت روشنایی، حالات چهره و ... است دچار آسیب می شود. در این پایان نامه یک ساختار طبقه بندی مرکب جدید که بر اساس ایده ی زیرفضاهای تصادفی عمل می کند برای حل مسئله ی "بازشناسی چهره مستقل از حالات چهره" ارائه شده است. در بسیاری از موارد، روش های یادگیری آماری که برای حل مسئله ی بازشناسی چهره مورد استفاده قرار می گیرند به داده های آموزش بیش از حد منطبق می شوند. علت این امر تعداد اندک تصاویر چهره ی افراد و بُعد زیاد تصاویر چهره درفضای ویژگی است. استفاده از تنها یک زیرفضا برای حل مسئله ی بازشناسی چهره باعث می شود که روش های سنتی آماری نتوانند تغییرات مختلف چهره ی افراد را نیز به خوبی فرا گیرند. این تحقیق از ویژگی های به دست آمده با استفاده از راهکار چهره های فیشر بهره می برد و از ایده ی انتخاب طبقه بند برای بهبود راهکار زیرفضاهای تصادفی استفاده می کند. تعداد محدودی از طبقه بندهای مکمل از میان دسته ی طبقه بندهای تولید شده ی تصادفی انتخاب می شوند و تصمیم آنها با استفاده یک راهکار ترکیب آموزش پذیر و پویا (اختلاط خبره ها) ادغام می شوند. بدین روش، پیچیدگی پیاده سازی کاهش یافته و نتایج بازشناسی افزایش می یابند. نتایج شبیه سازی روی یک مجموعه از داده های حالت چهره نشان می دهند که روش پیشنهادی می تواند نتایج مطلوب تری از برخی از روش های آماری رایج و روش زیرفضای تصادفی ارائه دهد.