生物识别技术是指利用一个人固有的生理或行为特征进行自动的身份认证。当前,生物特征识别Biometrics)已经成为自动身份认证领域的主要研究方向。人脸识别技术是一种重要的生物特征识别技术,应用非常广泛。人脸识别技术主要分为预处理、特征提取和识别三大部分。本文主要研究主成分分析(Principal Component Analysis, PCA)、二维主成分分析(Two-dimensional Principal Component Analysis,2D PC A)和分块二维主成分分析等特征提取方法。本文在ORL人脸库上进行实验,得出了不同的特征提取方法对于识别率、计算量和所需要的主成分数量的影响。其中主成分分析(PCA)、二维主成分分析(2D PCA)算法是经典的特征提取方法,分块主成分分析和分块二维主成分分析是在主成分分析(PCA)和二维主成分分析(2D PCA)基础上提出的,它们是先将图像进行分块,再对所有子块进行PCA或2D PCA处理。相对于主成分分析(PCA)和二维主成分分析(2D PCA)分块主成分分析和分块二维主成分分析主要有以下两个优点。首先,主成分分析(PCA)和二维主成分分析(2D PCA)得到较高的识别率时,其所需的主成分个数比较多,而且识别率依主成分个数的不同,其变化量也比较大。分块主成分分析和分块二维主成分分析算法则可以在取很少的主成分个数下就能达到其最高的识别率,且识别率高于主成分分析(PCA)、二维主成分分析(2D PCA)算法。其次,主成分分析(PCA)在处理较大图像时,其运算很大,二维主成分分析(2D PCA)虽然在一定程度上减小了运算量,但是并不明显,而分块二维主成分分析算法将一幅较大的图像分成了若干个较小的图像,虽然需要处理的矩阵增多,但每个子块的维数有了更大的减小,因此就大大的减小了特征空间的维数,也就相应的减小了计算量。目前人脸识别还只是处在研究阶段。本文是在特征提取的运算量及其对应识别率上做了实验研究,有助于人脸识别的实际应用。