主元分析(PCA)方法是一种常用的人脸识别方法。由于PCA方法需要将图像从二维矩阵转化为一维向量，构造出巨大的协方差矩阵，并求解其特征值与特征向量，长期以来一直受到高计算复杂性的困扰。近年来出现的二维主元分析(2DPCA)人脸识别方法，可以利用二维图像矩阵直接构造出协方差矩阵，不但避免了庞大的运算量，运算时间大约是PCA方法的1/4～1/20，而且其识别率明显高于PCA方法，一般有大于5﹪的显著提升。 通过对2DPCA的数学分析可以发现，2DPCA方法是利用图像矩阵同一行像素之间的相关性来构造协方差矩阵的，其实质是一种基于行分块PCA方法.对于人脸图像来说，图像矩阵同一行像素之间的相关性没有同一个局部块像素之间的相关性强，而且人脸图像的一个局部块通常表示一个完整的语义，如鼻子、眼睛、嘴巴等等。然而，2DPCA方法完全抛弃了图像矩阵行与行之间像素的相关性信息，割裂了人脸局部区域内的各个像素之间的相关性，因而难以表征人脸的局部特征。针对2DPCA方法的缺陷，本文提出了两种改进方法：基于结构分块的2DPCA方法和基于块内相关性的2DPCA方法。 基于结构分块的2DPCA方法，是针对不完整人脸图像的识别问题而提出的，其基本思想是：将人脸图像分割为互不重叠的图像块，用2DPCA方法分别计算各个图像块的主元，这些主元反映了人脸的结构特征，本文中称之为结构主元。这种方法结合了统计模式识别与结构模式识别的优点，通过调整各图像块的加权系数，可应用于各种不完整人脸图像的识别。实验结果表明，在选取较少主元数目的情况下，基于结构分块的2DPCA方法的人脸识别率与2DPCA方法相比大约有3﹪～7﹪的提升。 基于块内相关性的2DPCA方法的基本思想是：对人脸图像进行分块，然后把图像块内的像素转化为行向量，再把这些行向量按图像块的顺序排列成新的图像矩阵，最后对这些新的图像矩阵采用2DPCA方法进行人脸识别。这种方法不但保留了2DPCA方法低计算复杂度的优点，而且能够充分地利用图像行与列像素之间的相关性信息，克服了2DPCA方法的不足。实验结果表明，在选取较少主元数目的情况下，基于块内相关性的2DPCA方法的人脸识别率与2DPCA方法相比大约有2﹪～4﹪的提升，且达到相同识别率所需的主元数目要少于2DPCA方法。