人脸识别是模式识别和计算机视觉领域最富挑战性的研究课题之一，具有非常广泛的应用前景如视频监控、刑侦破案、身份识别、入口控制等领域。人脸识别系统采用计算机视觉和图像处理等相关技术，以人脸图像为媒介，抽取人脸的不同特征进行匹配和识别方法。本论文进行的人脸识别研究是以静止正面人脸图像为对象，针对实际应用中人脸图像残缺，或人脸通过眼镜、发型和化妆等伪装造成图像不完整的情况，在子空间人脸识别算法的基础上，提出一种适应性较强的方法，实验结果验证该方法是可行的。主要的工作如下：　　1.深入分析了基于主分量分析PCA(Principle Component Analysis)的特征脸方法。针对传统 PCA方法在处理图像识别问题存在的计算量大和时间上长的缺陷，进一步分析直接基于图像矩阵的2DPCA方法。相比PCA方法，2DPCA方法计算复杂度低，特征抽取速度快。　　2.对2DPCA方法的特征值（主分量）选择问题进行分析研究，提出了一种基于Fisher准则的特征值选择方法。特征值的选择是选取对分类有利的特征向量而不只考虑大的特征值所对应的特征向量，这样可以有效地将类与类之间的距离拉开，避免有效信息的损失。　　3.针对2DPCA难以表征人脸局部特征的缺陷以及实际应用中存在人脸图像残缺，或人脸通过眼镜、发型和化妆等伪装造成图像不完整情况，提出一种结构2DPCA方法。将人脸图像分割为互不重叠的多个图像块，对每一个图像块进行2DPCA特征提取，最后对每个图像块进行加权识别。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，可应用于各种不同人脸图像的识别。实验结果表明，基于结构2DPCA方法的人脸识别率与2DPCA方法相比有较大提升，灵活性更强。　　4.分析研究了线性辨别分析方法，针对该方法在人脸识别过程中存在的小样本问题，本文在传统子空间方法的基础上提出了基于Fisher准则的结构2DPCA人脸识别方法，ORL和FERET标准人脸库的实验结果验证了该算法的有效性。该方法不仅增加了识别系统的灵活性和适应性，而且识别率也比单独的2DPCA方法和2DPCA+LDA方法高。