人脸是人类视觉中最常见的图像，对人脸的识别是人类视觉研究的一个重要方面。长期以来，如何利用计算机对人脸图像进行自动识别，一直是图像处理与模式识别领域的研究热点与难点，特别是在每个人只有一个训练样本的情况下实现人脸识别更加困难。本文在研究经典人脸识别方法的基础上，采用了行列两个方向上的二维主分量分析方法，结合分块和加权的思想，对训练样本进行特征提取，且通过对比训练样本和未知样本的特征，根据最大隶属度原则确定未知样本的身份，最终完成识别。 本文主要研究工作如下： 1．阐述了单样本人脸识别研究的目的和意义，对国内外研究现状进行了分析，系统归纳了单样本人脸识别中的常用方法，重点分析了特征子空间扩展法。 2．在基于经典主分量分析的单样本人脸识别方法中，详细讨论了主分量分析、核主分量分析以及奇异值扰动的主分量分析方法，阐述了它们的原理和算法的具体实现步骤。 3．在分析和研究一种结合行、列方向上的2DPCA人脸识别方法的基础上，对算法进行了改进，研究了一种分块加权(2D)2PCA算法，该算法通过加权突出了不同的特征值对应的特征向量对识别结果的影响，同时把图像进行分块以便更有效的提取人脸的局部特征。在识别阶段，根据最大隶属度原则，给出待识别图像的确定身份。 4．在Windows XP平台下编制程序，在ORL人脸库上进行了大量的实验，实现了PCA、KPCA、SPCA及分块加权(2D)2PCA方法，分析了SPCA算法中两个参数对识别率的影响，重点分析了分块加权(2D)2pcA算法中权值、分块方式对识别率的影响，并给出了最优权值和分块方式，并与PCA、KPCA、SPCA及其他方法进行识别对比，分块加权(2D)2PCA方法在ORL人脸库上的识别效果要优于其他方法。