本文主要研究了人脸图象的计算机识别问题，研究的目标是要得到一个通用的人脸图象识别系统，并希望能够对人类视觉机制、推理机制以及人工智能的研究有所帮助。本文研究的出发点在于人脸图象库中，对于每个目标都只存储一幅人脸图象，而待识图象可能会发生光照、尺度、旋转、形变等各种变化情况的识别。 本文首先讨论了图象的分割问题，通过对人脸图象轮廓特征的探测，得到人脸在图象中的位置，从而能够进行人脸图象的分割。为了提取人脸轮廓特征，本文提出通用形变模型去表示各种人脸轮廓特征，同时构造了各模型的内部能量函数及外部能量函数，并使用Hough变换确定各模型在图象中的初始位置，然后使用局部匹配技术确定各模型在图象中的最终位置。 PCA方法(主成分分析技术)能够较好地提取样本集合的主要成分，所得到的主要特征向量空间能够紧凑地表示样本个体；同时该方法也可用于人脸图象的识别，对于同一类人脸图象能够较好地识别，但对于不同类的人脸图象，如图象受尺度、旋转、形变等因素干扰时，则不能有效地识别；本文在对PCA方法进行深入分析的基础上，揭示了该方法不能有效处理这种情况的原因，并由此得到各种人脸图象空间模板以用于人脸图象尺度、旋转姿势的判断。 同时，本文还利用PCA方法分析人脸图象局部特征，得到各种局部特征模板，并提出了一个逐步求精定位法，用来探测人脸图象的局部特征。 本文还分析了各种数学变换如Fourier变换、Gauss变换、DoG变换以及Gabor变换提取人脸图象特征系数的情况，从反映图象的带通性、方向性、局部性等方面而言，Gabor变换是较好的一种特征提取形式。 根据Marr的视觉表示理论，本文提出了新的人脸图象表示形式—双属性图表示，属性图中每个节点有两个属性特征，局部主成分系数特征以及Gabor系数特征；从而将人脸图象的灰度级表示，转化为更高一级表示。本文同时还给出了双属性图的匹配算法，能够较好地处理人脸图象尺度变化、平面旋转变化以及光照等变化情况，以完成人脸图象的识别。 综合上述研究，本文得到了一个通用的人脸图象识别系统(GFRS)，并对几个公用的人脸图象库进行实验表明，其识别效果要优于PCA方法。