生物特征识别是一项利用人类特有的生理或行为特征来进行身份识别的技术，而人脸识别是生物特征识别中最受人们关注的一个分支。近年来，人脸识别已成为模式识别和人工智能领域中的一个非常活跃的研究方向。人脸识别在法律、安全、商业等领域具有广泛的应用前景。过去几十年中该课题的研究己经取得了较大的进展，众多研究者提出了很多识别方法，如基于主成分分析的方法、基于线性判别分析的方法、基于独立成分分析的方法、基于小波的方法、基于神经网络的方法和基于离散余弦变换的方法等。由于受到复杂的光照条件，多变的人脸表情，以及姿态变化的影响，到目前为止，己经取得的研究成果离这一问题的彻底解决还有一定的距离。本文旨在已有的研究成果的基础上，做更进一步的探讨和研究。论文主要研究内容和成果如下：　　1．提出一种基于局部特征融合的人脸识别方法。由于传统的主成分分析方法提取的是人脸图像的整体特征，而不能反映人脸图像的局部信息，所以在复杂的人脸表情和光照条件下，该方法的识别性能并不理想。针对这一问题，首先将人脸图像划分为尺寸相同的子图像，并对相同位置的子图像进行主成分分析，建立投影矩阵，然后分别提取每个子图像的特征。在分类时，首先对每个子图像进行模糊分类，然后采用模糊综合的策略融合每个子图像的模糊分类结果，最后根据隶属度最大原则确定人脸的分类结果。通过仿真实验比较验证了这种分类算法的有效性。　　2．提出基于改进的线性判别分析的人脸识别方法。线性判别分析是一种有效的特征提取方法，但是在小样本情况下，当训练样本中存在个别野值点时，会给所求得的最佳判别矢量带来较大的影响。针对这一问题，本文提出使用加权的方法来减小野值点的影响，即根据训练样本与类内其它样本之间的距离对该样本加权，然后用加权后的样本重新计算类均值，并以新的均值向量和原训练样本重新生成类内散布矩阵和类间散布矩阵，接下来，根据Fisher准则计算最佳判别矢量。另外，在每类样本中只有一个训练样本时，训练样本的类内散布矩阵是零矩阵，这种情况下无法直接应用线性判别分析，为了在单训练样本情况下应用线性判别分析，本文提出使用采样的Fisherface方法进行人脸识别。仿真实验验证了这两种方法的有效性。　　3．提出基于小波变换和图像投影分析的人脸识别方法。首先对人脸图像进行若干级小波变换，得到人脸图像的低频子带系数，然后对低频子带系数进行二维主成分分析或二维线性判别分析，提取人脸图像在频域上的特征。仿真实验证明该方法能进一步提高识别性能。　　4．提出基于离散余弦变换和线性判别分析的人脸识别方法。DCT变换本身并不进行数据压缩，它只是将图像源数据映射到另一个域，如何在新的数据域中选择最有效的DCT系数作为识别特征成为关键问题。本文从选择有效特征角度出发，引入特征选择算法，根据可分性判据确定将哪些 DCT系数作为特征，然后对选出的DCT系数进行线性判别分析提取识别特征。另外，还提出了将离散余弦变换与二维线性判别分析相结合的人脸识别方法，首先对人脸图像进行离散余弦变换，然后选择中低频的DCT系数再进行二维线性判别分析，提取识别特征。仿真实验验证了提出方法的有效性。