人脸识别技术广泛应用于身份识别、安全认证等领域。在自然场景下，人脸图像中包含各种干扰因素，对识别率造成严重影响。本论文通过图像预处理、人脸检测，得到标准的人脸图像。基于图像熵值的性质，对模块2DPCA算法进行改进，最后结合MSD算法，在标准人脸库上进行识别。本论文主要内容如下：1.在图像预处理阶段，主要研究光线补偿以及滤波等操作。通过光线补偿可以消除光照不均带来的影响，对比分析了参考白线性校正法、非线性校正法以及值校正法。从滤波效果以及对原图像细节的保留程度，对比分析了均值滤波器和中值滤波器的效果。2.在人脸检测阶段，采用AdaBoost算法。获得简单的弱分类器，通过级联得到强分类器，用强分类器实现人脸检测。在人脸区域内，再次使用AdaBoost算法对人眼进行检测，确定人眼位置，只需要将算法中人脸样本换成人眼样本。通过两眼位置对图像进行几何校正。3.在人脸识别阶段，首先分析了模块二维主成分分析法（Two-dimensionalPrincipal Component Analysis）。这种算法没有考虑不同图像子块的区别，因此，本论文通过计算图像熵值确定图像子块的权值。同时计算测试样本熵值，与训练样本相同位置上图像子块熵值相比较，可以排除熵值大的干扰图像子块（人脸遮挡）。除此之外，将测试样本的信息融入算法之中，提高了算法的适应性和鲁棒性。由于2DPCA算法没有考虑训练样本的类别信息，而MSD算法充分利用了训练样本的类别信息，将改进2DPCA算法与MSD算法相结合。在ORL人脸库、AR人脸库以及自建人脸库上分别进行实验，验证了本论文改进算法的有效性和鲁棒性。