生物特征识别技术已广泛地应用在公共安全、智能系统、医学、军事等多个领域，内容包括人脸识别、指纹识别、虹膜识别、语音识别等。人脸识别具有不需要主动配合、直观、方便等特点，因此成为日常生活中最常用的身份确认方法，也是当前模式识别和人工智能的研究热点。　　人脸图像易受年龄、姿态、表情、光照等因素的影响，故人脸识别研究具有很强的挑战性。脸像的主要特征部分有额头、眼睛、鼻子、嘴巴、下巴等，各个特征部分之间存在一定的关联性，同时在人脸图像拍摄过程中光线明暗和焦距大小都是随机的，因此随机序列模型被引入到人脸识别中，并将各个随机的特征量相互联系起来。实际应用中训练脸像和测试脸像尺寸不一样，如城市视频监控系统的人像识别问题，往往先对测试脸像放大后再识别，则人脸识别的结果可用于分析图像放大算法的优劣。　　针对以上问题，本文探讨一种基于变换域中隐马尔可夫模型分类的人脸识别算法，并使用最近邻、双线性、双三次以及增量KNR放大算法对测试的低分辨脸像放大后再识别。　　在脸像预处理阶段，为降低脸像维数、减小光照影响及消除脸像平移，相应地采用像素平均、能量归一及Fourier变换三种算法；在特征提取阶段，采用偏最小二乘法(PLS)提取类间的鉴别特征，并与传统的主成分分析法(PCA)比较；在分类器设计阶段，应用隐马尔可夫模型(HMM)对人脸特征分类，重点讨论了在PLS特征提取后的变换域中HMM分类效果；最后从主观和客观上比较四种放大算法的优劣，并引入正确识别率作为一种新的客观评价准则。　　对ORL(OlivettiResearchLaboratory)人脸库的实验结果表明：预处理中增加Fourier变换可消除脸像平移，提高识别率；PLS的特征提取效果优于PCA；变换域中HMM分类算法具有可行性；从主观和客观上说明增量KNR算法是有效的；脸像的正确识别率可作为一种客观评价准则。