生物特征识别为用户身份验证提供了一种可靠、自然的方法。随着生物识别系统的广泛应用,越来越多研究者开始关注生物识别系统的安全性。生物模板保护是针对解决生物识别系统中安全隐患的关键技术,它通过将存储的模板转化为一种密文形式,不仅能够有效地保护用户的个人隐私,还实现生物模板的复用性,从而极大地提高系统的安全性。2D人脸识别是生物识别中的一个研究热点,它具有一系列优点而被广泛使用,因此研究2D人脸识别系统中的模板保护技术具有非常重要的现实意义。目前在2D人脸识别研究中,基于统计特性的识别算法由于其简单有效,而成为研究的一个主流。然而,基于统计特性的特征模板具有较少的分量,它在减少匹配过程计算复杂度的同时,也给模板保护带来了一些不利的因素。因此,本文将主要研究基于统计特性人脸特征模板的模板保护算法。本文首先阐述模板保护的相关理论知识,分析模板保护的发展现状以及现有模板保护的基本框架,并对模板保护研究领域的一些关键技术,如Hash函数和容错技术等分别进行介绍。本文接着利用三种典型的基于统计特性的人脸识别算法:Eigenface,Fisherface和Commom Vector,分别提取2D人脸图像中的特征模板;同时,本文还改进了非线性人脸识别算法Complete Kernal Fisher Linear Discriminant (CKFD),设计了CFD算法;紧接着对这四种算法的性能和模板特点进行了分析和比较,为下一步的模板保护算法设计提供参考。随后,本文基于Philip提出的HDS模板保护框架,对其几个关键步骤进行改进,提出特征扩展、多阈值量化等方法,设计出适用于基于统计特性的人脸模板保护系统,给出算法的安全分析;并将该方法应用到4种基于统计特性的人脸特征模板上分别进行仿真实验,对实验结果进行比较和分析,测试结果表明了算法的有效性和可行性,最后,本文基于非均匀量化的思想,提出另外一种新的人脸模板保护系统。该算法将人脸识别阶段中获取的人脸特征模板加以非均匀量化,并与随机数进行异或获得秘密模板加以存储,大大提高了系统破解的难度。将该方法应用到4种基于统计特性的人脸特征模板上分别进行仿真实验,测试结果表明算法具有良好的识别效果。