作为一种生物特征识别技术,人脸识别涉及了图像处理和计算机视觉等多学科的技术。人可以在各种复杂情况下迅速识别出人脸,但如何实现计算机的高精度自动人脸识别仍然是一个困难的课题。目前,随着人脸识别的应用发展,训练库越来越大,存储人脸数据和大数据提取匹配计算等问题值得研究。如何准确而又精简的提取出最能代表人脸的特征是应用的关键。本文在前人的算法基础上,进行了一些创新和改进,主要工作如下：(1)传统的一维主成分分析(PCA)由于需先把图像转换为向量,维度非常高,所以训练时间长,本文采用在二维图像矩阵上直接进行特征提取的2D-PCA算法,并针对个别样本可能离散程度较大的问题,提出了基于样本间距离偏移各类均值的改进2D-PCA算法。在ORL人脸库上的识别结果表明2D-PCA比传统的PCA减少了大量计算量,并提高了识别率。考虑到主成分分析算法训练时未使用训练库的类别信息,在分析和验证了类内平均脸在二维主成分分析的不可取之处后提出了均值偏移的2D-PCA方法。其基本思想是利用距离判定样本重要程度,赋予各样本不同系数来偏移均值,可以提高一定识别率并增强鲁棒性。(2)使用线性鉴别分析(LDA)结合PCA的Fisher face经典算法具有比较高的识别率和更少的计算时间,本文在总结了现有的人脸检测技术和特征提取算法的基础上,提出了使用均值偏移的2D-PCA结合2D-LDA的方法。该方法利用主成分分析进行特征降维,再通过线性鉴别分析寻找最佳分类投影方向,解决了主成分分析识别率不够、线性鉴别分析小样本的类内散度矩阵不可逆问题,同时提高了算法的鲁棒性。(3)将上述的各种算法,包括基于Adaboost的人脸检测方法、图像预处理方法以及本文介绍和提出的各种特征提取算法应用在人脸识别系统中,验证了算法的可行性。