人脸识别技术是一种基于人的脸部特征信息进行身份识别的一种生物识别技术,并已经成为当今社会不可或缺的一个安全技术。主成分分析(PCA)算法是人脸识别的主要算法之一。图片的像素较高并且训练集的规模较大导致矩阵计算量大,因此基于PCA算法的人脸识别耗时较长,不适合单机串行运行。为了克服这个缺陷从而减少单机人脸识别的时间,本文旨在寻找一种基于GPU并行的PCA人脸识别算法。本文首先对单线程PCA算法的训练阶段和识别阶段进行了深度剖析,根据GPU并行时不可避免的数据拷贝与训练和识别阶段的时间复杂度,确定了仅对训练阶段进行并行改进的目标。然后从训练阶段的运算步骤中归纳出一些能够进行并行改进的部分,有矩阵行运算,矩阵乘法运算,Jacobi迭代法；其中的Jacobi迭代法较为复杂,本文利用单循环法遍历矩阵非对角元素,以此对Jacobi迭代法进行并行改进。接下来由于通过实验数据发现GPU并行改进算法对训练集大小十分敏感,当训练集规模从600张人脸图像增加到840张的时候,训练时间增加了200%,因此把用向量表示图像的PCA算法更换为用矩阵表示图像的2DPCA算法。最后通过ORL人脸库和FERET人脸库的实验数据证明,最终改进得到的GPU并行改进的2DPCA人脸识别算法,和原始的单线程PCA算法相比,能够在同样只使用一台机器的情况下,在保证80%以上的识别率的同时,可以将原始算法的PCA提高识别效率提高将近104倍,并且能够适应大规模的训练集。