人脸识别技术是计算机模式识别领域中一个非常活跃的研究课题，在法律、商业等领域有着广泛的应用前景。其主要任务是利用已存储的人脸图像库，识别静止或视频图像中的一张或多张人脸。 在模式识别领域中，基于Fisher鉴别准则函数的最佳鉴别变换有着重大的影响。本文完善了基于Fisher鉴别准则的线性鉴别分析的理论构架，给出了求解最优鉴别矢量集的一个非常简单而有效的算法。本文揭示了具有统计不相关性的线性鉴别分析方法与经典的K-L展开方法的内在关系，并在此基础上导出了一种基于类内散布的最优PCA展开方法。而且，本文进一步将这种方法扩展成为基于类内散布的最优KernelPCA展开方法。在ORL人脸图像数据库上的识别实验也证明了所提方法的有效性。 多分类器的组合已成为模式识别领域的前沿研究课题，并在许多应用方面，如字符识别、目标识别等领域，取得了较好的应用效果。目前，已有多种多分类器组合方法被用来识别人脸。本文从抽取具有统计不相关的模式特征的想法着手，通过作基于小波变换的图像分解和K-L变换等处理避开人脸识别的小样本集的局限，并通过运用具有统计不相关性的最佳鉴别变换抽取人脸的有效鉴别特征。同时，利用多特征多分类器组合的方法对ORL人脸图像库进行了识别，实验达到了令人满意的效果。 本文通过抽取多组人脸特征进行特征融合实验。运用基于复线性投影分析的并行融合方法在NUST603人脸图像库上进行了识别实验。这种方法不仅能大幅度地降低原始数据的维数，而且较大程度上提高了分类识别的效果。 本文提出并推导了特征分解的校正算法，并以此为基础，实现了增量学习的主成分分析方法。在NUST603人脸图像库上的对比实验表明，这种方法具有很好的稳定性，其识别实验的结果与直接运用传统主成分分析方法所得结果相近。