数据预处理时,主成分分析算法(PCA算法)能够降低特征空间的维数。但是,由于涉及整体面部图像,使得在改变视点的情况下不能保证具有相同的识别率,故为了弥补局限性,在PCA算法的基础上,提出了线性判别分析算法(LDA算法)来提高处理不同类别图像时的识别率。本文首先阐述了由PCA与LDA相结合的新型算法,接着详细介绍了P-RBF神经网络的设计方法和具体实现过程,最后,在AT&T数据库和耶鲁数据库中进行人脸识别试验,从而为P-RBF神经网络的人脸识别系统设计了一个最优的人脸识别方案。在本文中,提出了基于多项式的径向基函数神经网络(P-RBF NNS)作为主要识别部分的人脸识别系统。该系统有助于解决高维图像识别问题,其主要由图像数据预处理部分和图像数据识别部分构成。提出的P-RBF神经网络体系结构分为三个功能模块:条件部分、结论部分、和聚集部分。在P-RBF神经网络的条件部分,输入空间通过使用模糊C均值(FCM)算法来实现模糊聚类的分配。在P-RBF神经网络的结论部分中,使用如下三种多项式,如常数型、线性型和二次多项式型来作为连接函数。在P-RBF神经网络的聚集部分,通过采用模糊推理法获得P-RBF神经网络模型的系数。同时,将“如果-那么”规则作为该神经网络聚集部分的模糊规则集合。该神经网络的基本设计参数(包括学习速率,动量系数,模糊化系数和特征选择项)由差分进化(DE)算法进行优化。最后,在AT&T数据库和耶鲁数据库进行人脸识别试验,实验结果表明,PCA-LDA结合算法具有更好的可行性和有效性,能有效实时的给出测试者的人脸识别结果。