人脸识别技术(FRT)是模式识别领域的一个前沿课题，它覆盖了模式识别、图像处理、计算机视觉、神经网络，以及生理学、心理学等许多学科的内容，且具有十分广泛的应用前景。例如身份验证、档案管理、银行、海关和机场的安全监控等。 人脸识别技术就是分析待识别人脸图像，从中提取出有效信息，与数据库中的已知人脸信息比较，从而得出相关信息的一种技术。人脸识别的输入图像通常有三种情况：正面、倾斜、侧面，但无论图像是何种形式的，其识别技术主要包括三个方面：人脸的检测和定位、人脸特征的提取和人脸的识别。 本文介绍了计算机人脸识别技术的研究背景，并提出了一种利用内核主元分析(KPCA)方法和改进的BP神经网络对多视角人脸图像进行分析和识别的方法。首先对人脸图像进行预处理，消除了光照强度差异的影响。然后用内核主元分析(KPCA)方法提取特征向量。KPCA方法根据人脸图像整体的灰度相关性来提取特征向量，所提取出的特征向量保留了原图像空间中的主要分类信息，并能在均方误差最小的意义上重建原图像。与主元分析(PCA)方法相比，KPCA方法利用了数据中的高阶统计信息，描述了多个像素间的非线性相关性，而且能把输入空间中不可线性分类的问题变换到特征空间中实现线性分类，KPCA方法所提取的特征更加反映了人脸之间的差异。最后把提取出的特征向量输入改进的BP神经网络进行训练和识别。由于BP算法本身固有的缺陷，用普通的BP算法训练时，网络收敛速度很慢，而且存在着局部极小值的问题，因此我们采用了改进的BP算法来提高学习速率以及增加算法的可靠性。改进的BP算法采用动量法和学习率自适应调整的策略，采用动量法降低了网络对于误差曲面局部细节的敏感性，有效的抑制网络陷入局部极小，从而找到更优的解；而自适应调整学习率可以有效的缩短学习时间，加快收敛速度。 本文提出的方法将KPCA方法优化的特征抽取与神经网络的自适应性相结合，取得了较高的识别率和优良的抗噪声性能。实验结果表明本文所提出的算法是准确有效的。