人脸识别技术是计算机模式识别领域非常活跃的研究课题，它是利用计算机分析人脸的图像，抓住人脸的轮廓特征和局部细节特征，提取有效的识别信息，研究匹配和识别方法，用以辨认身份的一门技术。它涉及模式识别、图像处理、计算机视觉、生理学、心理学等诸多学科的知识，是当前研究的热点之一。然而，由于识别结果往往容易受到表情、姿态和光照变化的影响，同时还要保证识别系统的实时性，极大地影响了人脸识别的实用性。　　 人脸识别主要包括图像的预处理，特征提取和识别三个环节。本文对这三个部分分别作出相应的描述。本文结构如下：　　 1.介绍人脸识别的研究背景和意义，面临的主要问题，人脸的定位与常用的特征提取和识别方法；　　 2.分析了PCA算法中相应知识点，特征值的选择及分类器的选取，并分析了PCA的优缺点，在PCA的基础上再对二维PCA算法进行分析，介绍了基于2DPCA的人脸特征提取，及2DPCA的图像重构，并分析了其优缺点。然后介绍了PCA+2DPCA的方法，为了进一步减少2DPCA的特征矢量的维数，我们可以在应用2DPCA求出特征矢量之后再用PCA技术做进一步的最优压缩。(2D)2PCA方法在识别率上要高于2DPCA，同时重建所需要的系数却远比PCA和2DPCA要少。在2DPCA的基础上，本文提出了新的方法：二维距离加权PCA，用来构造出新的样本空间，通过相应权值，增加与平均图像接近的样本在平均值中的作用，来达到提高识别率的目的。通过程序证明了该算法的有效性。同时，提出了另一种改进方法：二维局部加权，构造新的样本空间，即对人脸的两个重要部位：眼部和嘴部加权，提高识别率，同样能提高识别率。　　 3.最后介绍了LDA算法，并分析了最大散度差MSLDA的优点，并在此基础上对类内散布矩阵Sw和类间散布矩阵Sb进行相应加权，提高类间散布矩阵在总体散布矩阵中的作用，经过实验证明了该想法能明显提高识别率。