人脸识别技术是模式识别与人工智能的研究热点之一。在生物特征识别中,人脸识别占有极为重要的地位。它在访问控制、司法应用、电子商务和视频监控等领域都有广泛的应用。人脸识别的过程主要分为三个阶段,即预处理、特征提取、分类。随具体应用的不同,预处理的方法和难度也会有所不同。特征提取是识别过程的核心,特征的有效性直接影响到分类的速度和识别的性能。本文主要从统计模式识别的角度出发,来研究人脸图像的特征提取问题。本文分析并比较了5种人脸识别技术:基于表征的PCA特征脸识别方法、基于辨别特征的LDA识别方法、基于奇异值特征向量的识别方法、基于Gabor变换特征的识别方法和贝叶斯识别方法。在基于表征的PCA特征脸识别方面,我们首先分析了KL变换,了解其重建性能,也分析了人脸周围附属物对识别性能的影响。我们在几个标准人脸库上(包括ORL,Yale和Manchester人脸库)的实验取得了较好的效果。在这个基础上,我们研究了类均值脸的识别性能,无论是数值计算还是识别性能,都具有较好的稳定性。并且发现均值PCA可以用较少的特征达到传统PCA的水平。PCA是经典的图像处理方法,它并不是专门用于识别分类的。作为模式识别中的经典方法,Fisher准则使类内散布S_w最小,而类间散布S_b最大,可以将原来的多个模式在新的空间中最好的分开。但是一般情况下,不能直接将Fisher引入人脸识别,因为其存在小样本问题。我们用两种方法来解决:第一个解决方案是先将数据在PCA空间上降维,在降维后的空间上直接运用Fisher方法。另一个方法就是先求得S_w的零空间,分析这个零空间以得到投影矩阵。由于Fisher辨识空间一般是非正交的,特征信息之间有冗余。我们通过Gram-Schmidt正交化法则求得一个正交的辨识空间,试验表明,基于Fisher辨识的方法能比传统PCA获得更好的效果。在人脸识别中,最重要的是提取出对识别最有用的信息,由于Gabor函数和人眼识别特性的相似性,Gabor变换被应用到人脸识别中来。本文首先回顾了Gabor小波编码的一些问题,然后探讨了空频域采样的情况。在文中,我们认为不同频带的辨别信息是不同的,低频分量中较丰富,而高频分量中较少。基于这种考虑,我们提出一种非均匀的采样模式,识别结果证明了这种模式的优越性。奇异值特征向量由于具有很好的代数和几何不变性,它也可以作为一个很好的分类特征。我们用图像的奇异值特征向量来代替它的像素表示,在特征值向量上运用PCA和LDA识别方法,获得了比在像素级别上识别更好的效果。贝叶斯方法是模式识别中的最优方法,Pentland在他的论文中将其运用到人脸识别中去。通过建立一个类内差异人脸库和一个类间差异人脸库,他把识别问题转化为图像之差属于哪个人脸库的问题。本文简化了最初的贝叶斯匹配得分公式,获得两个新的相似度计算公式,在这之上进行的实验证明了该方法的优越性。