由于小波变换的多分辨分析思想在处理面部图像信息时具有较好的效果,因此小波分析广泛的应用在人脸识别领域。然而,一些新的多分辨分析工具如Curvelet变换、Contourlet变换等方法还没有得到重视。Curvelet是近年来提出的一种新的多分辨分析方法,它不仅具有小波变换的多分辨率特性和时频局域特性,还具有非常强的方向性和各向异性,可以很好的提取图像的几何特征。对于解决高维情况,如二维图像的边缘奇异性等具有很好的效果。本文介绍了图像多尺度几何分析的概念,Curvelet变换的基本理论及第一代、第二代Curvelet变换的实现过程。运用实例研究了Curvelet系数的分布特征、能量统计特性。然后做了如下主要工作：首先介绍了现有的人脸识别方法,对于同一个人脸数据库使用主成分分析(PCA)线性判别分析(LDA)等方法进行了分析,并通过仿真实验,比较了它们的优点和存在的问题。其次提出了一种基于Curvelet变换的人脸识别算法。该算法通过以下三个步骤实现：(1)人脸图像的预处理及Curvelet变换系数的特征提取；(2)结合PCA和LDA进行降维处理；(3)对降维后的系数进行分类,进而对人脸进行识别。为了研究表情及光照对人脸识别的影响,分别采用了ORL与Yale人脸数据库,将该算法与小波变换的识别结果进行了对比。实验结果表明,Curvelet变换后的低频分量系数可以很好的反映人脸的姿态不变性和面部特征,与基于小波变换的人脸识别算法相比,该算法具有更高的识别率。