人脸识别是模式识别、图象处理等学科的一大研究热点，可以广泛地应用到安全部门、电视会议、身份鉴别、数字监控等领域。 人脸识别主要有三部分构成：数据预处理、特征提取和分类判别，其中特征提取可以说是重中之重，也是本文的研究重点。 在预处理阶段主要完成对人脸样本的图象增强、几何及灰度归一化和白化等工作。这些工作有效地改善了图象质量、降低了计算复杂度，从而提高了后续算法的收敛速度。 在特征提取环节，本文利用独立分量分析技术来提取人脸特征，形成各个分量相互统计独立人脸特征空间。由于独立分量分析算法提取的独立分量个数是由输入样本的个数决定的，所以在训练样本庞大时，会使训练时间呈指数形式增加。为此，本文采用主分量分析法先对原输入样本进行降维处理，把主分量形成的人脸特征空间作为独立分量分析算法的输入数据，从而降低了独立分量分析算法输入样本个数的要求，降低了计算复杂度，提高了独立分量分析算法的收敛速度。针对人脸样本的特殊性，本文采用的独立分量分析算法是改进后的Infomax算法，即，算法实现时采用了四阶累积量来对g_i(y_i)进行自适应学习。 在分类判别中，本文针对独立分量分析算法提取的人脸特征空间，把最近距离分类器和基于支持向量机的分类器做了比较。实验结果表明，本文所采用的独立分量特征空间对这两种不同的分类器并不敏感。 实验结果说明独立分量分析是人脸识别领域里的一个行之有效的方法，并具有广阔的应用前景。