人脸识别是近年来兴起的基于生物特征的身份认证与识别的重要研究方向。鉴于问题本身的复杂性，到目前为止没有一个或少数几个算法就能彻底解决所有情况下的人脸识别问题，而用不同算法进行不同组合得到性能不同的识别系统，成为本领域目前的主流方法。 本文对人脸识别系统的预处理、特征提取和分类器设计三个重要环节展开了较为深入的讨论。在预处理环节中，将基于像素平均的降维处理、基于能量的光照归一和基于Fourier变换的脸像平移效应消除三种算法相结合；在特征提取环节，为避免“小样本问题”，采用基于主元分析(PCA)或基于K-L变换的特征子空间方法提取本征脸(Eigenface)或本征谱(Eigenspectra)；在分类器设计环节，重点讨论了一类对特征具有最优鉴别能力的核非线性分类器(即KND分类器)及其扩展形式，提出一种对特征具有最优表达能力的核非线性分类器——KNR分类器。KNR分类器建立在正交投影定理基础上，在紧凑表达特征时的误差能量最小。 对ORL脸像数据库的实验结果表明：对于本征脸，KNR分类器优于常见分类器；利用本征谱比利用本征脸有更好的识别效果；在模式识别应用中，同基于LDA的特征提取方法不总是优于基于PCA的特征提取方法一样，对特征具有最优鉴别能力的KND分类器不总是优于对特征具有最优表达能力的KNR分类器；扩展KND分类器与KNR分类器性能相当。