人脸识别技术是生物特征识别技术中研究最多最活跃的领域之一，它具有友好、直观、易于接受、可隐蔽性操作等优点。由于人脸部所处环境、自身表情以及脸部姿态变化的复杂多样性，当前人脸识别仍然是一个十分重要的钻研课题。经过几十年的发展，在人脸识别技术中逐渐形成了多种人脸识别算法。算法的关键是能否有效地提取出人脸图像的特征，不同的人脸图像特征对应的人脸识别系统的识别准确率、计算复杂度和鲁棒性是不一样的。本文首先系统地总结了前人的研究成果及各种算法的优缺点，并在此基础上提出了一种基于分块小波包变换和(2D)~2PCA的新的人脸识别算法。本文主要工作内容如下：（1）将图像分块思想应用于人脸识别，对预处理后的人脸图像进行合理的分块，从而增强算法的鲁棒性。（2）在特征提取的过程中，将小波包变换与(2D)~2PCA结合使用。首先对分块后的人脸图像进行小波包分解，然后运用(2D)~2PCA分别对各子块最优节点的融合图像进行特征提取。（3）在小波包分解后最优节点的选取问题上，本文提出了按各节点图像的识别准确率高低选取最优节点的办法。即计算每一子块经过小波包变换后所有叶节点图像的识别准确率，从中选取前五个最大识别准确率对应的叶节点加权融合。在权值的选取问题上，本文提出直接用各节点的识别率作为权值进行图像融合的方法。（4）对算法的有效性进行研究。实验中，在标准的ORL人脸数据库上将本文算法与PCA、2DPCA、(2D)~2PCA、WT-(2D)~2PCA四种算法的识别准确率进行对比，验证了本文算法的识别效果优于其它四种算法。（5）对算法的相关参数进行研究。实验中分别对算法涉及的图像分块方式、小波基函数的选择、分解层数以及训练测试样本数目比进行讨论，并总结出当对图像进行2×2分块、选用db4小波基函数进行2层WPD、训练测试样本比6:4时能够得到最高为98.125%的识别准确率。（6）对算法的鲁棒性进行研究。分别在标准的Yale、Yale B和UMIST三个人脸数据库上研究了算法对面部表情、光照和姿态变化的鲁棒性。