人脸识别,是一种利用使用者面部的特点实现身份认证的模式识别技术。又名肖像识别、脸部识别。大部分人脸识别系统由四个部分构成,依次为:人脸搜索（在图片中检测出人脸）、预处理、特征提取、分类匹配。在实际中,一个待识别的对象特征、比如人脸图像特征是大量的且不断变化的,为了提高识别的精确度,就需要不断地提取新的特征。在现实情况中,由于收集样本的代价过高或时间过长等原因,及时获取充足的训练样本并不容易。大多数情况下,由于待研究课题的实时性,无法等到获取全部样本后再进行机器学习。所以只能一边从样本中学习知识,一边将学习到的知识储存到学习系统中。针对人脸识别问题,本文使用了两种人脸识别算法,主成分分析算法（Principal Component Analysis,PCA）和非负矩阵分解（Non-negative Matrix Factorization,NMF）算法,并对这两种算法开展了研究。非负矩阵分解算法的基本原理是无监督子空间的维数约减,主成分分析算法的基本原理是K-L变换,最后在本人自建的selfmade人脸数据库上进行了开集人脸识别实验,验证了这两种人脸识别算法的可行性与有效性。针对传统人脸识别算法存在的不足之处,本文对两种具体的增量学习算法,增量非负矩阵分解算法（Incremental Non-negative Matrix Factorization,INMF）和增量主成分分析算法（Incremental Principal Component Analysis,IPCA）开展了研究。针对传统增量非负矩阵分解算法每次只能新增一个训练样本,运算效率过低的不足之处,提出了一种批增量非负矩阵分解算法,它的基本原理是分块矩阵。增量主成分分析的基本原理是空间投影变换。最后在本人自建的selfmade人脸数据库和公共的AR人脸数据库上进行增量人脸识别的实验,利用这两种增量学习算法处理新增的人脸训练样本,计算增量前后的人脸识别准确率、增量学习和批量学习系统运行的时间,验证了这两种增量学习算法均能达到既提高人脸识别率,又减小运算复杂度的目的的性能。最后对两种方法进行比较。