人脸识别研究是数字图像处理、模式识别与计算机视觉等多个学科研究的热点,也是当前最具有应用前景和实际应用价值的研究课题,它在人机交互,身份确认等方面都有着广泛的应用前景。目前人脸识别方法有很多种,包括基于几何特征的方法,基于模板匹配的方法,基于神经网络的方法等等。其中,主元分析方法由于其简单有效越来越受到模式识别和计算机视觉领域的关注。在传统的主元分析中,二维图像矩阵必须首先转化为一维向量,这样不但会破坏图像数据的内在结构,还会使图像数据位于一个非常高维的空间中,从而导致了“维数灾难”。在实际中,数据对象的本质特征往往是以二阶、三阶甚至更高阶的张量存在的。基于以上原因,张量的概念被带入模式识别和计算机视觉领域,基于张量的主元分析方法成为一个热点。本文主要介绍了传统的主元分析方法,二维主元分析方法以及扩展的二维主元分析方法,重点研究了基于张量的N维主元分析方法,并从理论上分析了这些方法的优缺点。在此研究基础上,利用Boosting的思想,级联多个G2DPCA分类器,能更进一步的提高人脸识别率。另外,通过对人脸图像的纹理特征进行多线性分析,可以有效地的减小光照以及姿态等其他因素的干扰,得到较好的识别效果。最后,分别在ORL人脸图像库和CMU PIE人脸图像库进行了试验,验证了本文提出方法的有效性,实验表明,无论是在识别效果还是在对光照以及姿态的鲁棒性上,N维主元分析方法都要优于传统的主元分析方法。