基于诸如语音、虹膜、DNA等等生物特征信息识别技术的身份认证已逐步走进实用阶段，然而当前的技术应用均是建立于较高的硬件配置信息处理工具。对此，为更有效地推动应用技术的普及，本文以一般家用计算机为处理工具，从信息数据处理各种方法着手全面探讨生物特征信息识别的门禁系统。 鉴于监控系统等视频信息普遍存在，且人脸特征数据具有很强的自身稳定性和个体差异性，比指纹数据的提取更易于被接受、友好方便；同时人脸图象识别技术已具备了较好的研究基础，因此我们的研究也将针对于视频内容中的人脸图像进行。 人脸识别技术主要包括人脸检测和定位、特征提取以及训练识别。针对门禁系统的实时性和准确性的要求，本文的研究将通过分析比较各处理环节的不同方法以确定适用方法以及方法改进和新的方法应用等方面展开。 对于视频序列进行人脸检测和定位，首先利用差分方法分割运动个体；考虑到视频图像信息的质量缺陷，在分割出运动目标后先进行光照补偿和色度补偿的预处理；然后根据肤色的特性，建立高斯概率模型，并利用投影法和模板匹配方法进行人脸的精确定位。 其次，对于人脸特征的提取分析，比较了特征提取的PCA方法、基于矩阵的主分量分析方法(I-PCA)、KPCA方法和Fisher线性鉴别方法，通过数值实验结果比较分析，给出PCA／I-PCA+KPCA+Fisher的特征提取方法，能满足门禁系统的实时性和准确性结合的要求。 识别过程的数据的变化和更新是重要部分，我们采用BP神经网络训练分类器以进一步提高识别率；然而BP算法迭代次数多、训练过程中费时的问题是众所周知的。事实上，学习过程的本质是特殊多元优化问题，BP算法即是以负梯度为寻查方向的线性收敛速度算法。鉴此特点，我们将能加速线性收敛序列收敛epsilon算法(向量)分别应用于权值调整过程和最优学习率的确定以提高学习效率，从而有效缩短训练时间，显著数值实验结果验证了其可行性和高效性。 最后初步实现了一个实时的基于视频内容的身份认证系统。