近几年来随着网络信息社会发展的不断深入,人们越来越注重个人的信息安全,各种身份信息安全验证方法层出不穷,而人脸作为一种有效的身份识别特征一直以来都是科学研究人员关注的焦点。对人脸识别的研究不仅有重要的理论价值,而且具有重大的实际应用价值。本文主要研究的是利用小波变换及脉冲耦合神经网络来提取人脸的特征。小波变换被誉为“数学显微镜”,它的出现完美解决了傅里叶变换在信号处理分析上的不足之处,在信号分析、图像识别、机器视觉等领域都具有广泛的应用。本文首先利用小波变换的压缩特性对人脸图像进行预处理提取人脸图像的低频子图像,此低频子图像包含人脸图像的主要信息,而图像的大小却降为原来的1/4,因此利用小波变换提取的低频子图像在一定程度上达到了数据的降维且模糊了人脸表情、姿态等变化。脉冲耦合神经网络是基于哺乳动物大脑皮层视觉神经工作机理建立起来的一种以迭代为主,自监督、自学习的新型人工神经网络模型,具有严格的生物背景,因此它在图像处理中具有独特的优势。本文利用脉冲耦合神经网络的时间序列来作为人脸的识别特征,采用欧式距离来度量人脸的相似度从而完成人脸识别,人脸图像的几何对于本文所提出的算法的识别率几乎不影响。本文还将传统的单通道脉冲耦合神经网络模型扩展成多通道模型,并将其应用于彩色人脸图像的特征提取。具体过程是首先将人脸图像转化到HIS彩色空间,接着利用小波变换提取彩色人脸图像的HSI各通道分量对应低频子图像送入到多通道脉冲耦合神经网络中提取相应的时间序列,最后结合欧式距离来度量人脸的相似度从而完成人脸识别。实验结果表明该方法相对于传统的单通道模型运行时间减少了,并且能够有效的提取人脸特征。