人脸识别是利用计算机对人脸图像进行处理、分析,并从中提取能表征人脸图像的识别信息,用以进行人脸鉴别的一门技术。主要有三个部分组成：图像预处理、特征提取和分类识别。其中特征提取是人脸识别中的最关键的技术。目前人脸识别技术比较多,优缺点各不相同。论文比较了当前主流的人脸识别方法,对一种利用主成分提取人脸图像特征(特征脸)进行分类识别的算法,即主成分分析法(PCA)展开研究。本文做出的研究工作包括：(1)阐述了人脸识别的研究意义、研究内容,简单介绍了人脸识别系统概况,并对人脸图像预处理、特征提取和分类识别的主要方法进行了归纳总结。(2)研究了PCA算法和分块PCA算法。PCA是最成功的线性鉴别方法之一,但传统的PCA方法提取的是图像的全局特征,受光照条件和人脸表情变化影响比较大。基于这种情况,给出了分块PCA方法。在对图像进行特征提取前,首先对图像进行划分,然后再对子图像使用PCA方法提取特征向量。但是由于传统分块PCA方法在求解散布矩阵时没有考虑子图像的差异,本文提出了一种改进的分块PCA新算法,并通过实验验证了算法的优越性。(3)研究了2DPCA算法和分块2DPCA算法。使用PCA方法进行特征提取时,首先要将图像矩阵转化为一维向量,这样会使图像的向量维数过高。基于此,本文将PCA方法推广到2DPCA,将分块PCA推广到分块2DPCA。由于2DPCA方法直接利用图像矩阵构造散布矩阵,使得散布矩阵的维数远远低于PCA方法得到的协方差矩阵。这样可以很大程度上提高特征提取的速度和准确性,并降低特征提取的计算复杂度,使得整体识别速度提高并可以在一定程度上提高识别率。针对原来的分块2DPCA对不同子图像不进行区别的问题,提出了提出了改进的分块2DPCA新算法,并通过实验验证了算法有效性。(4)提出了分块(2D)2PCA算法。(2D)2PCA算法是2DPCA算法的完整形式,2DPCA只是完成了对原始图像列方向的压缩,而(2D)2PCA算法则是完成对图像行、列两个方向的压缩,从而使特取的特征矩阵更小,计算更迅速。实验证明,相比于分块2DPCA算法,分块(2D)2PCA算法更利于分类识别。