经过近五十年的发展,人脸识别技术已有了长足的进步,并成功应用到许多领域。但当一些如光照、表情、姿态等外界条件不理想时,算法性能下降较快。因此,如何降低这些干扰因素对人脸识别算法的影响成为一个极具挑战性的研究课题。小波变换与PCA类方法结合是解决此类问题的一种重要方法,但小波变换主要反映了图像的点奇异性,无法准确表达人脸图像中大量的曲线边缘信息。为改进这一不足,Curvelet变换被提出并日渐成熟,其基支撑空间具有各向异性,能够实现对高维空间中曲面边缘函数更好的稀疏表达。本文主要研究如何将Curvelet变换与PCA类方法结合形成有效的人脸识别算法。本文主要工作如下：(1)对人脸识别基础知识及Curvelet变换理论进行了研究。介绍了人脸识别课题的研究背景及意义,总结和分析了国内外人脸识别研究发展现状。对两种常用的图像处理技术：小波变换和Curvelet变换进行了详细探讨,针对小波变换在人脸识别中的不足,提出将Curvelet变换应用到人脸识别领域,并对人脸图像Curvelet变换后生成的系数进行了详细分析。(2)提出一种基于(2D)2PCA的改进算法。详细阐述了PCA类方法——PCA、2DPCA和(2D)2PCA的实现原理和工作流程,并针对二维PCA类方法对于光照变化较为敏感的不足以及矩阵距离度量准则,提出了相应的改进。改进算法首先对人脸图像样本进行光照衰减,随后用(2D)2PCA进行特征提取,最后采用基于p矩阵距离的最近邻法分类得出识别结果,在Yale人脸库上的仿真实验结果证明了改进算法的有效性。(3)提出一种结合Curvelet变换和改进(2D)2PCA的人脸识别算法。新算法通过对人脸图像样本进行第2代Curvelet变换,得到图像的Curvelet低频系数,再结合改进后的(2D)2PCA算法进一步提取特征实现分类。通过实验对新算法进行仿真,比较和分析其性能,结果表明新算法取得了较高的识别率和相对较短的识别时间,且对光照变化具有良好的鲁棒性。