传统的生物特征识别技术是利用生物本身拥有的、能唯一标识其身份的生理或行为特征进行身份验证的技术,在某种程度上,所提取的特征都是“人人拥有、人各不同、长期不变”的。作为一种与生俱来的生物特征,人脸的唯一性和不易被替换、复制等优良的先决条件,使得人脸识别成为生物特征识别和模式识别中最受关注的技术。应用领域包括：门卫系统、电子商务、超语言学、文化背景研究、机器人研制、测谎、智能环境、招聘测试、多种方式人机接口、智慧玩具等等。本文首先讨论了人脸识别的主要研究内容,对其研究意义及研究现状进行了回顾,研究了常用的人脸识别方法,对主成分分析、矩阵主成分分析、小波包变换等识别理论进行了介绍和比较。在此基础上,本文提出了一种改进的类内2DPCA重建的方法,该方法直接对二维图像矩阵进行处理,避免了将图像拉伸成一维向量而造成计算复杂度高的问题。首先对训练图像依类别进行2DPCA降维和特征提取,得到每一类的投影空间,然后将待识别图像分别在各类训练图像的投影空间中进行重建。由于图像在同类别的投影空间中的重建误差最小,因此通过计算重建图像与原图像的差别,即可判定图像所属的类别。本文在MATLAB实验平台上对改进方法和传统的类内PCA重建方法进行对比,实验结果显示,改进的方法在保证实时性的基础上提高了识别率。其次,本文对基于小波变换的人脸识别方法进行了改进。传统的理论认为,图像经小波变换后,主要内容集中在低频分量,忽略了高频分量携带的轮廓和边缘信息。本文针对这一不足,提出了改进的小波包融合+2DPCA方法,先对图像进行二层小波包分解,再选取最利于判别分类的4幅高频子图进行融合,将融合高频子图与低频子图分别进行2DPCA降维和特征提取,最后进行决策级融合,得到识别结果。本文在MATLAB实验平台上,对小波+PCA方法、小波+2DPCA方法和本文的改进方法进行对比实验,实验结果显示,改进的方法在保证实时性的基础上提高了识别率。最后,本文对改进的矩阵主成分分析方法进行了总结。