بازشناسی چهره در سال های اخیر به دلیل کاربردهای زیادی که در زمینه های مختلف مانند تشخیص هویت، کنترل دسترسی و ... داشته است به یکی از زمینه های تحقیقاتی گسترده تبدیل شده است. امروزه در سیستم های بازشناسی الگو به طور عام و سیستم های بازشناسی چهره به طور خاص برای دستیابی به نتایج بهتر، ضمن استفاده از چند طبقه بندی کننده متفاوت، نتایج به دست آمده از این طبقه بندی کننده ها به طور مناسب ادغام می شوند. یافتن ترکیب بهینه طبقه بندی کننده ها، به نوبه خود مسئله پیچیده ایست. از طرفی لازم است طبقه بندی کننده هایی که به صورت تکی عملکرد بهتری دارند، سهم بیشتری در تصمیم گیری داشته باشند و از طرف دیگر بایستی بین طبقه بندی کننده هایی که سهم بیشتری در تصمیم گیری دارند، حداقل همبستگی وجود داشته باشد. در این پژوهش ادغام طبقه بندی کننده ها به روش های آموزشی و غیرآموزشی انجام شده است که روش غیرآموزشی به کار رفته در این پژوهش متوسط گیری ساده و روش های آموزشی شامل متوسط گیری وزن دار و ماشین بردار پشتیبان بوده است. ملاحظه گردید روش های آموزشی نسبت به روش متوسط گیری ساده نتایج مطلوب تری دارد. از آنجاکه گزینه های ممکن برای انتخاب طبقه بندی کننده ها و پارامترهای سیستم فضای جستجوی گسترده ای را ایجاد می کند برای انتخاب ترکیب بهینه طبقه بندی کننده ها از الگوریتم ژنتیک استفاده نموده ایم. در روش متوسط گیری وزن دار، وزن های مناسب طبقه بندی کننده ها، توسط الگوریتم ژنتیک تعیین گردید. همچنین با بکارگیری ماشین بردار پشتیبان جهت ادغام طبقه بندی کننده ها از الگوریتم ژنتیک جهت انتخاب ترکیب بهینه طبقه بندی کننده ها که به ازای آن کمترین خطای ارزیابی حاصل می-شود، استفاده شده است. ملاحظه گردید که با به کار بردن الگوریتم ژنتیک برای انتخاب طبقه-بندی کننده ها بهبود چشمگیری در نتایج حاصل می شود