人脸识别技术是模式识别与人工智能的研究热点之一。在生物特征识别中,人脸识别占有极为重要的地位。它在访问控制、司法应用、电子商务和视频监控等领域拥有十分广泛的应用。作为一个系统,人脸识别自动识别系统分为三个部分,即预处理、特征提取和分类。但随具体的应用也有所不同,预处理的方法和难度也各有千秋。　　 本论文的研究是在已检测出人脸并手动标定眼睛坐标的条件下进行的。首先探讨了人脸图像的归一化处理,特征提取方法中,主分量分析(PCA)是一种常用的方法,我们用几个标准人脸库(包括ORL,Yale等人脸库)做实验取得了较好的效果。在这个基础上,我们研究了用类均值的识别性能,无论是数值计算还是识别性能,都具有较好的稳定性。　　 其次。我们研究了特征提取的部分方法,线性判别分析(LDA)是基于数据分类的人脸识别的方法,它寻找使类间距离最大,类内距离最小的投影方向,最大程度的保留有利于分类的信息。核主分量分析(KPCA)是在传统的PCA基础上引进核函数的概念,将数据映射到高维空间进行样本的分类,原本在低维空间的非线性问题转变为在高维空间中线性可分的问题。在运用线性判别分析的时候,往往遇到“小样本”问题,从而造成类内离散度矩阵是一个奇异矩阵的情况。就需要降低图像的维数。我们分析插值原理的基础上,提出了插值降维的思想,并经过试验得出比传统的PCA还要好的结果。　　 最后,介绍了一些传统的图像增强方法——基于空域和频域,包括灰度变换.直方图修整法,非线性变换和频域滤波等.同样也介绍了一种改进了的用于实现更有效的光照补偿的算法LogAbout。文章中引入了一种创新的用于人脸检测中各种各样的光照补偿的方法,即MMI(mutli-method integration),本实验系统采用的就是这种方法,来对各种光照情况进行补偿。