主成分分析(Principal Component Analysis,PCA)是人脸识别中一个经典的算法,但PCA 方法在特征提取时考虑的是图像的整体信息,并没有考虑图像的局部信息,而分块PCA(Modular Principal ComponentAnalysis,Modular PCA)则可以有效地提取图像中重要的局部信息,所以在人脸识别实验中获得了比传统PCA更好的识别效果。但PCA 和Modular PCA 都要进行图像的矢量化,这会破坏原始数据的空间结构,也有可能会导致“维数灾难”。多线性主成分分析(MultilinearPrincipal Component Analysis,Multilinear PCA)作为PCA 在高维数据上的扩展,直接使用矩阵或者高阶的张量来获得有效特征。既可以避免“维数灾难”,又可以体现直接将张量数据作为处理对象时保留原始数据较好基本结构信息的优点。在研究Modular PCA 和Multilinear PCA 基础上,我们提出了分块多线性主成分分析(ModularMultilinearPrincipal ComponentAnalysis,M2PCA)算法用来人脸识别。在Yale、XM2VTS 和JAFFE 人脸数据库上进行人脸识别实验,实验结果表明,在同等的分块条件下,所提出的方法的识别效果要优于Modular PCA 的方法。