人脸识别是模式识别、计算机视觉、人工智能等领域知识的一个重要应用,也是当前热门的研究课题之一。基于主成分分析(PCA Principle Component Analysis)的Eigenfaces算法是人脸识别的经典算法,该方法是模式识别判别分析中最常用的一种线性映射方法,是基于统计特征的人脸识别算法。由于传统PCA方法是把人脸图像特征提取出来以后,直接用提取出来的特征进行识别,存在特征较多,计算量较大等问题。如何在提高识别率的情况下减少特征维数和降低计算工作量,这些正是粗糙集理论研究的内容。本文将二者相结合应用于人脸识别中,减少了特征脸空间的维数,因此,进行基于改进主成分分析方法的人脸识别算法研究具有一定的理论意义和实践价值。本文完成了以下工作:首先介绍了人脸识别的背景、研究范围以及方法,对人脸识别领域的一些理论方法作了总体的介绍。其次对粗糙集理论的基本知识、离散化算法、约简算法进行了研究,提出了一种基于启发函数的属性约简算法,减小了属性约简过程中搜索空间及计算量。最后提出了基于改进主成分分析方法的人脸识别算法。该方法根据训练样本的特征向量建立决策表,应用粗糙集理论对决策表属性进行约简,用约简后的特征向量建立特征子空间,进行人脸识别。该方法对经过PCA降维后的特征向量利用粗糙集约简,去除冗余信息,以降低计算的复杂性,提高了识别率和效率,实验证明该方法是合理、有效的。