人脸识别技术是计算机模式识别领域非常活跃的研究课题，在法律、商业等领域有着广泛的应用前景。由于人脸图像的特殊性，人脸识别问题也是模式识别领域的一个相当困难的问题，要使这一技术成为完全成熟的技术还有许多工作需要去做。本文研究了基于主成分分析(PCA)算法思想的传统算法—特征脸方法(Eigenfaces)和主成分分析算法的改进方法—基于子空间的Fisher线性判别(Fisherfaces)算法。主要工作包括：首先用三阶近邻分类，在Yale-original人脸库上具体实现了特征脸算法。之后用模糊小脑神经网络分类对用PCA法提取人脸的有效鉴别特征进行识别；其次采用Fisherfaces算法特征提取，三阶近邻分类识别Yale-original人脸库的正面人脸；对上述两种特征提取方法所得实验结果做了分析比较，指出了这两种方法各自的优缺点。 具体工作阐述如下：首先，介绍了主成分分析法的概念、计算和基于PCA法的人脸识别算法一“特征脸”的算法原理；先采用三阶近邻分类，在Yale-original人脸库上具体实现了特征脸算法，得到83.3﹪的人脸识别率；之后采用模糊小脑神经网络分类，具体实现了特征脸算法，得到96.6﹪的人脸识别率。 其次，介绍了线性判别分析算法和Fisher线性判别分析算法原理；针对线性判别分析算法的小样本问题，引入基于子空间的线性判别分析方法，用PCA法将高维图像数据投影到低维的特征脸空间，再用线性判别分析最大化判别系数；在Yale-original人脸库上，采用三阶近邻分类具体实现了Fisherfaces算法，得到94.1﹪的人脸识别率。