人脸识别技术是模式识别与人工智能的研究热点之一。在生物特征识别中，人脸识别占有极为重要的地位。它在访问控制、司法应用、电子商务和视频监控等领域拥有十分广泛的应用。人脸识别作为一个系统，它分为三个阶段，即预处理、特征提取和分类决策。但随具体的应用也有所不同，预处理的方法和难度也各有千秋。 本论文的研究是在已检测出人脸并手动标定眼睛坐标的前提下进行的。我们先探讨了人脸图像的归一化处理。然后在基于表征的PCA特征提取方面，我们分别采用传统PCA与改进的均值PCA两种不同方法，在标准人脸库(包括ORL，Yale等人脸库)上做实验，试验证明改进。PCA比传统PCA速度快。紧接着我们还分析了核主分量分析(KPCA)方法，它是在传统PCA基础上引进核函数的概念，将数据映射到高维空间进行样本的分类，使原本在低维空间的非线性问题转变为在高维空间中线性可分的问题。试验证实在适当参数条件下它比传统PCA的识别率会更高。 线性判别分析(LDA)是基于数据分类的另一种特征提取方法。它寻找使类间距离最大，类内距离最小的投影方向，最大程度的保留有利于分类的信息。但在运用线性判别分析的时候，往往遇到“小样本”问题，这就造成类内离散度矩阵是一个奇异阵的情况，一般通过降低图像的维数来解决。在分析插值原理的基础上，本文应用插值降维的思想，并经过试验得出比传统的PCA识别率还要高的结果。 在分类器的讨论中，先介绍了常见的欧式距离分类器、马氏距离分类器以及贝叶斯分类器后，详细介绍了支持向量机分类器的原理、基本算法。在此基础上，本文将最小二乘支持向量机(Ls SVM)应用于人脸识别系统，并通过试验证实LS SVM比标准的SVM在时间快的特点，故此，最小二乘支持向量机更能适应系统实时性的要求。