针对图像数据进行特征提取,挖据出数据中隐藏的重要的、有价值的本质特征,除去不相关和冗余的信息,是图像处理技术的重要研究方向。主成分分析通过选取少量能够放大数据间异同的主元来描述高维数据集,达到数据降维的目的。根据获得数据方式的不同,主成分分析分为批量式主成分分析和增量式主成分分析两种。批量式主成分分析的处理对象是协方差矩阵,它在分析前需得到全部图像数据,而增量式主成分分析能够避免直接计算协方差矩阵,并且不需要一次性获得全部图像数据,它采用增量的学习方式,使用每次新获得的图像数据逐步对主元估计值进行迭代更新。摄像设备分辨率快速提高和数据存储技术的不断进步,将会导致传统的批量式主成分分析所需处理的协方差矩阵非常庞大,计算代价很高,使得特征提取速度赶不上数据更新速度,而增量式主成分分析方法则更为适用。本文主要研究内容如下:(1)针对二维主成分分析算法(2DPCA)批量处理方式,无法满足对高维大批量图像数据以及在线数据进行特征提取的需求,本文将直观协方差无关增量式主成分分析算法(CCIPCA)的增量思想引入到现有的2DPCA算法中,提出了一种新的增量式二维主成分分析算法(Incremental 2DPCA,I2DPCA)。与2DPCA算法相比,该算法采用迭代的计算方式,具备增量学习能力;并且无需进行协方差矩阵的计算,有效地降低了运算量,能够减少特征提取过程的时间与内存。(2)针对所提出I2DPCA算法仅对图像矩阵进行了行方向的特征提取,忽略了列方向的信息,导致信息丢失以及降维效果不理想,本文又提出了一种新的增量式行-列二维主成分分析算法(Incremental Row-Column 2DPCA,IRC2DPCA)。该算法通过行列两次特征提取,将图像矩阵的行列信息有效融合,并能够使用较少的系数来描述图像数据,有效减少后续分类过程的时间和内存。本文共选取物块数据库、ORL及Yale人脸数据库三组数据库,分别进行了主元收敛性、分类率、复杂度以及图像重构实验。实验结果验证了本文所提的两种增量算法I2DPCA和IRC2DPCA的有效性,并且与批量算法相比,在运算时间及所需内存方面具有明显优势。