随着社会发展的需要,各行业对快速有效的身份验证有着迫切的需要。由于生物特征是人的内在属性,具有很强的自身稳定性和个体差异性,因此人脸识别成为模式识别、图像处理等学科的研究热点。人脸识别过程主要由三部分构成:数据预处理、特征提取和分类识别。本文针对人脸在表情和光照上的变化,重点研究了如何提取有效的人脸特征信息。数据预处理部分主要完成对人脸图像的直方图均衡、白化等处理。这样能有效地改善图像质量,降低计算复杂度,从而有效地提高后续算法的计算速度和收敛速度。在特征提取部分,本文首先采用主分量分析(Principal Components Analysis ,PCA)方法对训练图像进行降维处理,以去除图像的二阶冗余信息,并把PCA处理后的人脸特征空间作为ICA(Independent Component Analysis)方法的输入数据。当训练样本庞大时,训练时间呈指数形式增加,该处理能有效的减少计算量并提高识别率。然后,针对人脸图像的特殊性,采用基于负熵的快速定点ICA(Fast Fixed-point ICA,FastICA)算法来提取人脸的特征信息,该方法有很好的特征表征能力。采用定点迭代的自适应学习方法,计算量小,收敛性好。除此之外,本文提出了KICA(Kernel Independent Component Analysis)方法——一种基于非线性函数空间的ICA方法,用核函数来代替两向量间的内积运算来实现非线性变换,具有更好的灵活性,对于人脸的表情变化和光照变化有很好的鲁棒性。最后,在分类识别上,针对ICA算法提取的人脸特征空间,本文采用了最直接也最常用的最近邻分类器。本文所论述的算法均在Yale人脸库和AR人脸库上进行了Matlab数据仿真,取得了良好的识别效果。