随着科技的发展,人们对信息安全性的要求越来越高,人脸识别以其直接、友好、方便的特点,成为生物识别领域的研究热点。结合统计理论、机器学习和信息论,研究者提出了许多人脸识别算法,其中基于子空间分析和频域变换的人脸识别方法应用最为广泛。本文首先介绍了人脸识别方法的研究现状、关键步骤、人脸识别算法性能的评价指标,进而对比研究了基于子空间分析和基于2DGabor变换的人脸识别效果,并研究了不同分类器对识别效果的影响,最后了研究了基于改进FDA和RBF神经网络的人脸识别方法。基于子空间的方法是目前应用最为广泛的人脸识别方法,本文对比研究了主成分分析法、二维主成分分析法、线性鉴别分析法、奇异值分解和独立成分分析在识别率和识别时间两方面的性能,认为FDA的性能优于其他子空间方法。多通道Gabor变换可以很好地模拟人眼识别的机理,是提取局部特征的有效方法。本文研究了多通道Gabor变换的原理,设计了5个尺度8个频率共40个通道的Gabor滤波器组用来采集人脸灰度图像的Gabor幅值特征,由于Gabor特征个数多,特征提取过程耗时很长,而且直接分类难度大。分类器的设计对识别效果也有重要的影响,本文在研究特征提取算法时,均采用3阶最近邻分类器进行分类,距离分类器是最简单的分类器。第四章研究了贝叶斯分类器、RBF神经网络分类器和支持向量机对PCA特征的分类效果,仿真实验证明基于机器学习的RBF神经网络在人脸识别方面的综合分类效果要优于其他分类方法。研究了基于改进FDA和RBF神经网络的人脸识别方法,改进的算法在识别率和训练时间上要优于单纯的FDA、PCA、2DPCA和2DGabor方法。