人脸识别是模式识别和计算机视觉的交叉领域，广泛地应用在机器人等学科当中。人脸识别与其它生物特征相比，具有直接、友好、方便的特点，易于被用户接受，因此，成为当前模式识别和人工智能领域的一个研究热点。本课题针对当前人脸识别的现状做出分析，提出了基于小波变换、主元分析和三阶近邻分类的人脸识别算法。首先采用小波变换提取低频系数，然后对低频系数用主元分析法提取人脸图像的主要特征，最后用三阶近邻作为分类器来判别识别图像所属的类别。本算法在不影响计算速度和计算量的前提下提高了人脸图像的识别率。对人脸图像进行预处理能够有效地去除原始图像中不利于特征提取和识别的无用和干扰信息，改善图像质量。本文介绍的人脸图像预处理技术主要有滤波去噪、灰度变换、边缘检测、归一化、灰度插值等。预处理后的人脸图像维数比较大，为了降低计算量需要对图像进行降维。图像经过小波分解之后，低频成分集中了原始图像的大部分信息，高频成分主要体现了原始图像的一些细节，因此，本文采用二维离散小波变换中的db2小波对图像进行降维，既能很好的降低图像的维数，又能很好的提取图像的特征。小波变换后的人脸图像维数仍然比较大，本文通过主元分析的方法进一步降低图像的维数，使得变换后的低维空间仍有很好的人脸表达能力，把训练图像投影到低维空间形成训练人脸库。对人脸图像进行识别时，每一个被识别的人脸图像都需要进行预处理、小波变换、特征提取、投影到低维空间，然后与训练人脸库进行比较，得出所属的类别。本文所采用的比较分类法是三阶近邻分类法，它可以将不同表情的人脸图像识别出来，也可以将不同姿态和不同饰物的人脸图像识别出来，提高了图像的识别率。本文通过大量的仿真试验得出，采用对包含原始图像大部分信息的低频子带作PCA，对提取的特征用三阶近邻来分类人脸图像，和其它的方法相比较，该方法得到了较好的识别率同时也降低了运算量。试验表明，在ORL人脸库的40个人的图像中，每个人的图像选择前8幅图像用作训练，组成320幅图像的训练集，全部人脸图像作为测试集，此时的识别率可达到98％。