人脸识别是一个典型的图像模式分析、理解与分类计算问题,涉及到模式识别,计算机视觉,人机交互,统计学习,认知科学等多个学科,是模式识别领域研究的热点和难点之一。同时,作为一种生物特征识别关键技术,AFR技术在身份认证、智能监控、信息安全、金融等领域具有潜在而广大的应用前景。然而,非理想条件下的人脸识别技术仍然是一个极具挑战性的课题,要开发出鲁棒和实用性强的AFR系统还需要解决大量的关键问题。本文概括地分析了国内外在人脸识别方面的研究历史和现状,阐述了人脸图像预处理的主要算法,研究了几种目前流行的人脸特征提取算法及其改进,探索了基于模糊RBF神经网络的人脸图像识别系统的设计与实现。本文主要工作如下：1、对人脸图像进行基于分块的离散余弦变换(Divided Discrete CosineTransform,DDCT)。首先对人脸进行分割,对分割出的各图像块进行DCT变换,然后提取DCT(Discrete Cosine Transform)系数的低频分量和高频分量构造出每块人脸的DCT特征矩阵。2、利用奇异值分解阈值压缩(Singular Value Decomposition Threshold Compression,TCSVD):方法对DCT特征矩阵进行奇异值分解与压缩降维。由于分割图像的DCT低频分量含有大量由于遮挡、光照及表情变化等因素引起的冗余信息,有必要对图像的奇异值进行压缩降维,然后对这些奇异值特征进行组合,构造出最终的人脸组合鉴别特征。3、设计一种基于模糊RBF神经网络的人脸图像分类器。由于RBF网络与模糊推理过程具有函数等价性,可以将两种不同构造的系统在函数上统一起来,使网络的参数和运算具有明确的含义。我们将RBF网络中的模式聚类中心数和模糊规则数对应起来,构造网络的环境参数使网络具有模糊推理和分类能力。4、训练模糊RBF神经网络。模糊RBF神经网络一般采用BP算法进行学习,收敛速度慢,提出了一种改进的Levenberg-Marquart优化算法(简称L-M算法)对神经网络进行学习,改进的L-M算法在学习次数和准确度方面都优于BP算法。5、应用于人脸识别。对训练好的模糊RBF神经网络分类器ORL人脸库进行测试,仿真实验结果表明了本文方法的有效性和可行性。