人脸识别研究工作一般分为三个步骤:人脸检测、面部特征定位以及人脸特征提取与识别。而人脸特征的提取与特征识别是人脸识别整个过程中最为关键的环节。本文以模式识别的特征子空间思想为主要研究方法,系统地研究了人脸特征提取与识别技术。在特征提取部分,使用了PCA、SpPCA、LDA、KPCA、KLDA算法对人脸特征进行提取。子模式主分量分析(SpPCA)通过先划分输入模式为子模式,然后在各个子模式中分别提取局部信息的策略,经实验证实该方法较PCA更为快速有效。基于核的两种特征提取算法,首先通过非线性变换将原始空间变换到高维空间,使得样本线性可分,然后再利用PCA和LDA方法提取最优的特征向量,它避免了利用线性方法处理问题产生的缺陷。在分类器设计部分,重点研究了径向基函数网络分类器在人脸识别方面的应用。提出了利用非监督学习与监督学习结合的聚类算法,确定隐层基函数的参数,解决了常用的k均值算法等存在的问题;学习过程通过调整权值、计算误差、修正隐层单元的参数,以达到最优结果。克服了常用方法中收敛速度慢,局部极小等问题。通过对ORL图像库中的人脸图像进行训练和检验,表明径向基函数网络分类器具有学习能力强、收敛速度快的优点,识别率优于最近邻分类器。所以本文采用的算法具有很强的实用性。