人脸识别技术是生物识别技术的一个重要分支，是模式识别和计算机视觉领域内的一个研究热点。与利用指纹、虹膜等其他生物特征识别相比，人脸识别具有直接、友好、方便的特点，是进行身份确认的最自然直接的手段。因此，人脸识别在信息安全、刑事侦破、出入口控制等领域具有广泛的应用前景。人脸识别的较一般的表述为：给定一场景的静止或视频图像，利用已有的人脸数据库，确定场景中的一个或多个人。人脸识别过程包括人脸检测、人脸特征的提取和压缩、以及与人脸特征相配合的模式分类器的构造，从广义上讲还包括表情分析和生理分析。本文研究的是人脸图像的特征提取和分类两部分。本文介绍了计算机人脸识别技术的研究背景和主要方法，研究了人脸识别中一些预处理方法，特征提取算法和分类算法，将不同的特征提取方法和分类算法相组合，构造出不同的人脸识别系统，并且做了相应的比较。在预处理阶段，进行了图像的几何归一化和光照补偿。为了降低后续处理算法的复杂度，用小波变换的方法对图像进行了小波分解，滤除掉高频信息，采用相对稳定的低频子带来表达图像，模糊了人脸表情和姿势的影响，同时达到了对图像降维的效果。实验表明小波变换是一种有效的预处理方法，而选择不同的小波基和不同的小波分解层数对最后的识别效果有一定影响。在人脸图像的特征提取环节，本文采用了基于统计的特征提取和选择方法，包括主成分分析(PCA)、线性判别分析(LDA)。根据人脸的镜像对称性，本文在主成分分析和线性判别分析的基础上还讨论了一种改进方法：偶对称变换。理论分析与实验证明，该算法巧妙地利用镜像样木，增强人脸识别：既扩大样本容量，提高了识别率，又节省计算与存储开销，增强算法的实用性能。在分类器的设计阶段，重点讨论了最近邻分类器和基于统计学习理论的支持向量机(SVM)。ORL人脸数据库上的对比实验表明：支持向量机的分类效果比最近邻分类器要好。另外针对支持向量机的参数选择以及分类器与特征提取方法的匹配等问题也进行了分析和实验。