图像识别技术属于图像处理技术的范畴,是模式识别中的一种。图像识别技术已经落地使用于实际的生活当中,比如交通、金融、安防等领域。该技术的原理就是对一张图像,在给定的图像类别集合中,找出一个和该图像匹配度最高的类别,然后作为该图像所属类别的结果。提升有关图像识别算法的准确率,减少识别消耗的时间有着重大的研究意义,对技术的落地应用都有着深远的影响。本文的主要内容是基于主成分分析和线性判别分析的图像识别算法研究,尤其对图像预处理技术、主成分分析、线性判别分析、支持向量机进行了深入的研究。在图像的识别分类过程中,首先使用支持向量机直接分类,探究其分类的效果。鉴于图像数据往往都是高维的,会带来很大的计算量,然后引入主成分分析算法对图像先进行数据的降维操作,去除冗余的信息,保留关键的特征信息,再使用支持向量机进行识别分类。由于主成分分析方法不具有分类的功能,所以在主成分分析降维之后,再引入线性判别分析进行再次的数据降维,最后使用支持向量机识别,这样可以得出主成分分析和线性判别分析对图像分类的准确率和识别时间的影响。本文还通过改变降维的维数大小来寻找在图像识别分类中最佳的降维维数比例,以及不同的降维维数对图像识别分类的准确率的影响。实验数据证实了图像通过主成分分析和线性判别分析数据降维之后再进行分类的效果比直接使用支持向量机进行分类的更好;以及在数据降维的过程中,存在一个最佳的降维维数使图像识别具有最佳的效果,两种实验都符合实验前的预期。本文实验过程的数据都是源于已有的数据集,数据较为稳定。在实际生活中,复杂多变的场景下进行实时图像识别是下一步的研究重点方向。