ابتدا یک مدل موضعی برای تابع لیپشیتز که با تقریبی از جهت تندترین کاهش ایجاد شده است‏، معرفی می شود. بر اساس این مدل‏، زیرمساله درجه دوم در روش ناحیه اعتماد کلاسیک با جایگزینی بردار گرادیان با تقریبی از جهت تندترین کاهش ارایه می شود. سپس‏، برای حل این زیرمساله، یکی از روش های کارا در روش های ناحیه اعتماد کلاسیک به کار گرفته می شود. همگرایی سراسری الگوریتم ارایه شده تحت شرایطی استاندارد و با استفاده از قاعده به هنگام سازی ‎lr‏{?bfgs‎‎?}‏‎ برای ماتریس هسی مدل نشان داده می شود. ? در ادامه‏، به منظور افزایش کارایی‏ الگوریتم پیشنهادی، ترکیبی از این الگوریتم با یک روش جستجوی خطی ارایه می شود. در الگوریتم های ناحیه اعتماد‏، اگر جواب زیرمساله درجه دوم منجر به کاهش کافی در تابع هدف نشود‏، آن گاه از شعاع ناحیه اعتماد کاسته و زیرمساله درجه دوم دوباره حل می شود. برای جلوگیری از حل دوباره ی زیرمساله‏، در صورتی که گام آزمایشی تولیدشده از حل زیرمساله‏‏، جهت کاهشی برای تابع نباشد‏، روش جستجوی ‎‎خطی پیمایش‎‎‎ وارون در راستای جهت تندترین کاهش‏ تقریبی اجرا می شود. همگرایی سراسری الگوریتم ترکیبی تحت فرضیاتی استاندارد ثابت می شود. در پایان‏، الگوریتم های پیشنهادی در محیط متلب روی برخی مسایل بهینه سازی ناهموار آزمون قرار می شوند. ‏% زیرا این جهت‏، کاهش کافی را در تابع هدف ایجاد می کند.

این پایان نامه مدل های جدید را برای مراحل سیستم شناسایی چهره معرفی می کند. در مرحله شناسایی صورت، یک مدل هیبریدی (abann) را پیشنهاد می کند که آدابوست (ab) و شبکه عصبی مصنوعی (ann) را برای حل فرآیند موثر ترکیب می نماید. در مرحله بعدی صورت های علامت دار توسط abann شناسایی می گردد که توسط مدل شکل فعال (asm) و پرسپترون چند لایه (mlp) تطبیق خواهند یافت. در مرحله تنظیم یک مدل بافت محلی دو بعدی جدید را بر اساس پرسپترون چند لایه پیشنهاد می کند. دسته بندی کننده این مدل به طور چشمگیر دقت و قوت جستجوی محلی روی صورت ها را با اختلاف چهره و محدوده های مبهم بهبود می نماید. در مرحله استخراج ویژگی، ما روشی را برای اصلاح کارآیی توسط رابطه دو روش توصیف می نمائیم: روش بر مبنای شکل هندسی و روش تجزیه و تحلیل اجزای مستقل. در مرحله انطباق چهره، ما مدلی را به کار می بریم که بسیاری شبکه های عصبی را برای انطباق ویژگی های هندسی صورت انسان ترکیب می کند. این مدل، بسیاری شبکه های عصبی را به هم متصل می سازد، بنابراین ما آن را شبکه عصبی مصنوعی چندگانه می نامیم. سیستم پیشنهادی، نتایج بهتری از هر دو میزان درستی و عملکرد بدست آورده، و زمان پردازش آزمون در مقایسه با روش کلاسیک کمتر است.