人脸识别是模式识别领域的一个重要研究课题.但人脸图像是一种非平稳信号,用于分类的特征往往包含在局部的时频信息中,用一般的变换方法提取有效特征比较困难.小波变换是近年来发展起来的一种分析非平稳信号的有效方法,而且可以获得与人的视觉特性更为接近的多尺度的提取特征的效果,于是小波被人们应用于人脸识别中.而小波包变换具有任意的多尺度分解特性,可以提供更丰富的基以供分类选择.本文把原始的基于小波包进行特征提取的方法(Local Discriminant Basis,LDB)应用于人脸识别之中,并主要做了以下三方面的工作:(1)原始的LDB以类能量的差异为判据选择最优基及其小波包系数特征,这个判据并不是模式分类问题中的最佳判据,针对这个问题本文系统研究了各种可分性判据,并提出了在LDB中更有效的判据.(2)因为前d个单独最有效的特征并不一定是最有效的(数量为d的)特征组合,对不满足线性可加的判据,本文引入遗传算法寻找最优特征组合,去掉一些对分类无用或者有害的特征.(3)用LDB所选取的特征仍然比较大量,而且受光照姿势的影响仍然比较大,本文用基于Fisher准则的方法把LDB所提取的特征再进行线性重组,进一步降维,并且在尽量保持类间差异的同时压制了类内的差异.在ORL数据库上随机选取每人5幅人脸图像做训练,剩余的用来识别,进行50次实验取平均识别率,特征脸方法是93.14﹪,Fisher脸方法是91.20﹪,原始的LDB方法是96.14﹪,而本文提出的新的LDB的方法达到了97.77﹪.在Feret数据库中,特征脸方法的平均识别率是79.17﹪,Fisher脸方法是92.31﹪,原始的LDB方法是68.43﹪,而本文的方法达到了93.71﹪.