作为一种最友好的生物特征识别技术,人脸识别技术在安防监控、用户认证、人机交互等方面有着非常广泛的应用,已经得到了广大科学家的普遍关注,并涌现出了大量优秀的人脸识别算法。小波变换因其较强的时、频局部化分析能力以及多分辨率的特点,已经被成功应用于人脸识别当中,然而小波变换的基是各向同性的,仅仅能反映一维信号中奇异点的性质,进而无法表达二维图像的“沿”边缘特征,对含有较多面部轮廓和五官曲线信息的人脸图像无法实现最优的稀疏表示。Candes和Donoho提出的Curvelet变换在很大程度上弥补了小波变换的缺陷,Curvelet变换不但具有小波变换多尺度的特点,同时它还具有较强的方向性以及高度各向异性,能够很好地表示图像的直线和曲线奇异特征,相比小波变换可以更稀疏地表达图像,使信号能量更集中。本文主要研究了第一代和第二代Curvelet变换的基本理论及其实现过程,并对分解后得到的Curvelet系数进行了分析,然后研究分析了主成分分析技术理论及其实现,主要包括传统主成分分析(PCA)、二维主成分分析(2DPCA)和双向二维主成分分析((2D)2PCA)。最后提出并实现了一种基于第二代Curvelet变换结合双向二维主成分分析的人脸识别算法,以ORL和YALE人脸数据库进行仿真试验,结果表明,与基于传统小波变换的人脸识别算法相比,该算法具有更高的识别率以及更短的识别时间。