特征抽取是模式识别研究的最基本问题之一。对于图像识别而言,抽取有效的图像特征是完成图像识别的首要任务。基于核的特征抽取方法是最近提出的一种非常有效的非线性特征提取的方法。目前,尽管核方法在图像等模式识别领域应用的非常广泛和成功,但也存在如下一些问题:一、构造特征空间H 中的核矩阵K 所耗费的计算量非常大;二、当训练样本数N 很大时,一方面会使得核矩阵的存储空间急剧增加,另一方面造成核矩阵的不可逆。为此,该文就基于核的非线性特征抽取及识别方法中的许多问题进行了深入研究,在深入分析PCA(Principal Component Analysis)与KPCA(Kernel Principal Component Analysis)法的基础上提出了一种两阶段的核特征抽取方法:PCA+KPCA,即在进行非线性映射之前,首先利用经典的主分量分析降维,然后再执行核主分量分析(KPCA)。为了进一步降低经典PCA 的处理时间,使本算法具有更高的效率,对C-PCA 进行了改进,提出了直接基于图像矩阵的主分量分析(I-PCA)。在ORL 标准人脸库上的试验结果验证了所提算法的有效性。在使用两阶段特征提取法的基础上,本文构建了一个人脸识别框架。用BP 人工神经网络对两阶段法提取出的特征进行训练和识别。本框架将两阶段法优化的特征抽取与神经网络的自适应性相结合,取得了较高的识别率和识别速度,有一定的抗噪性能。在ORL 人脸库上实验表明本识别框架是准确有效的,取得了较成功的实验效果。