人脸识别是一个具有很高理论和应用价值的研究课题。几十年来，自动人脸识别一直是计算机视觉和模式识别领域的长期挑战。特征提取是人脸识别的核心问题之一，特征提取的一种常用方法是子空间学习方法。子空间学习的思想就是将特征从原始的高维数据空间投影到低维数据空间（投影子空间），投影后的特征要比原始特征易于区分。其中主成分分析(PCA)算法是一种广泛使用的线性子空间学习方法。针对能量谱的不平衡性会影响人脸识别效果的问题，本文基于白化脸的概念提出了白化主成分分析类算法的框架。该算法框架使用一个白化滤波器和一个低通滤波器对原始图像进行预处理，然后结合传统的PCA类算法提取特征向量（或矩阵），最后通过k-NN分类方法进行人脸识别。在ORL人脸数据库上进行的实验表明该算法框架改善了人脸识别的效果，提高了识别的正确率。为了进一步提高在光照、姿态和表情等有较大变化情形下人脸识别的效果，在图像分块技术和双向二维主成分分析（(2D)2PCA）的基础之上，本文提出了分块双向二维主成分分析方法，该方法首先对图像进行分块，然后对分块得到的子图像采取(2D)~2PCA方法进行特征提取，从而实现对模式进行分类的目的。利用ORL和UMIST人脸数据库进行实验，实验结果表明分块双向二维主成分分析方法可以在更低维数下获得与分块二维主成分分析相同甚至更高的识别效果。