在生物特征识别中，人脸识别技术占有极为重要的地位，它是模式识别与人工智能的研究热点之一。人脸识别在安全验证系统、信用卡验证、医学、档案管理、视频会议、人机交互、公安系统等方面有着巨大的应用前景。本文针对基于PCA算法的人脸识别方法进行了深入的研究。论文首先研究了PCA方法用于人脸识别的基本原理和整个过程，分析了该方法的优缺点，并在此基础上，引入了二维PCA方法，该方法保留了人脸特征的结构信息，使正确识别率得以提高。由于各种因素的影响，如表情、光照、人脸特征随年龄增长的变化等因素，人脸识别问题不是一个简单的线性分类问题，因此本文引入了核PCA方法，该方法通过特征空间的转换，使分类问题更接近线性分类问题，从而提高了识别率。大量实验结果也证明了这一点。在实际应用中，有时人脸图像是实时输入的，需要对训练样本特征不断更新，因此本文引入增量PCA方法，该方法无需计算协方差，并且能够对依次输入的样本增量计算其主元，通过迭代方法逐步收敛到待求特征向量。小波变换低频子带包含了原图像的主要信息，人脸主要表情特征体现在眼睛和嘴巴等水平特征上；小波变换方法和PCA方法均起到降维作用，但单独使用均具有一定的局限性，因此本文提出将小波变换低频子带系数结合水平边缘细节子带系数作为训练样本与PCA、2DPCA、KPCA、CCIPCA四种方法相结合进行人脸识别。由于小波变换方法降低了图像维数，并且降低了干扰信息，因此提高了识别率及识别速度。人脸识别通常是一种小样本模式识别，而特征提取方式和分类需要足够多的样本进行训练才能发挥好的分类效果。本文对已有样本进行加权求和生成新的样本，增加训练样本数目从而满足分类算法训练需要，对小样本问题有了一定程度的改善。论文对上述所有方法进行了仿真实验、实验结果分析及性能比较，完成了基于PCA方法进行人脸识别的较为深入的研究。