人脸识别是一种重要的生物识别技术，它广泛应用于机场和其它重要场所的身份验证、安全监控等场合。人脸识别主要包括三方面的内容：人脸图像预处理，特征提取，分类与识别。本文主要针对前两个方面进行深入讨论。离散余弦变换(DCT)是一种优良的数据压缩方法。在预处理环节中，本文先介绍了DCT在人脸识别中的降维应用：DCT变换系数矩阵左上角的有限个系数包含了人脸图像的大部分信息，这部分信息更有利于识别，因此仅保留这部分系数可以起到降维的目的。然后借助DCT提出了一种人脸图像预处理方法：基于DCT特性的光线补偿。这种方法利用了DCT变换本身的特点：特定DCT系数对偏光照射负主要责任，通过处理这些系数可以对人脸图像进行光线补偿。Fisher线性判别分析在人脸识别应用中取得了很好的效果。本文在DCT的基础上，提出了两种新的基于Fisher线性判别分析的人脸识别方法：基于DCT的D-LDA方法，基于DCT的改进零空间方法。为了缩短识别时间，本文证明了直接在DCT域上应用D-LDA方法与零空间方法是可行的。对于前一种方法，本文在对类间散布矩阵做特征分析之前先用DCT降维，使能量集中，从而保留了类内散布矩阵的零空间信息，另外本文重新定义了Fisher线性判别准则。对于后一种方法，传统的像素聚类方法降维不仅算法复杂，而且丢失了许多有用信息，本文使用DCT变换代替传统的像素聚类过程，从而尽可能多的保留了有利于分类的信息。对两种方法，本文都采用了一种加权求解总的类间散布矩阵和总的类内散布矩阵的策略：对总的类间散布矩阵，通过适当的权函数加大距离较近两类的作用，因为相邻较近的两类的误分可能性比较大；对于总的类内散布矩阵，通过选择适当的权函数来减小边缘类的影响，因为边缘类在原始输入空间已经能很好与其它类分开，那么在特征提取后的子空间中，边缘类的类内散布矩阵是否压缩对最后分类的影响不大。实验结果表明，加权策略能够取得更好的试验效果。为了在进一步降维时取得较好的识别效果，本文引入一种迭代的线性判别分析方法“Fractional-step线性判别分析(简称F-LDA)”应用到人脸识别中。由于F-LDA直接应用于高维空间的计算复杂度太大，一般是不能直接使用的，本文经过先前的特征提取阶段已使维数足够降低，所以能够与F-LDA相结合。对所提出的算法，本文在ORL与Yale人脸库上进行了大量反复实验，实验结果表明，本文提出的基于DCT预处理的人脸识别方法不但能够提高识别率，节省大量存储空间，而且由于DCT快速高效的特点，能够显著缩短识别时间。基于DCT的人脸识别技术拥有广泛的应用空间。