人脸识别技术如今已经成为模式识别领域研究的热点和难点之一，经过众多科研人员多年的努力，该领域已取得了许多成果。但由于人脸识别问题自身的复杂性，要实现普遍的应用还有许多关键性的问题需要解决。本文首先介绍了人脸识别的背景、发展概况和人脸识别的主要方法，然后采用了一种基于小波变换和KL变换进行特征提取，并以BP神经网络作为分类器的人脸识别方法，仿真实验具有一定的识别效果，这表明本方法是一种可行的人脸识别方法。本文的主要工作如下：1、预处理：对南京理工大学人脸图像库中每幅人脸图像进行校准、定位和标准化处理后，得到大小为32×32的人脸图像。人脸预处理过程消除了尺度、光照强度等差异对人脸识别的影响。2、小波变换：对预处理后的人脸图像进行二次小波变换，提取大小为8×8的低频系数图像进行后续处理，此低频系数图像包含了人脸图像绝大部分的信息和能量，并在一定程度上达到了降低数据维数的目的。3、KL变换：KL变换以最小均方误差为准则进行维数的压缩，是一种广泛使用的特征提取方法。本文以小波变换后的低频系数图像的总体散布矩阵为初始矩阵进行KL变换，得到人脸识别的特征向量。4、BP神经网络的训练：选用互不重叠的训练样本集和测试样本集，采取完全训练和批量训练的训练策略对BP神经网络进行训练，其中BP神经网络的学习算法采用的是改进的反向传播算法—弹性BP算法。5、人脸识别：对训练好的BP神经网络分类器进行测试时，分别对训练样本集和测试样本集的人脸图像进行了识别，仿真实验具有较好的识别效果，实验结果分析以及和其他人脸识别方法的比较说明了本文方法的可行性。