随着信息技术与生物技术的飞速发展,人脸识别技术在各领域的应用越来越广泛。本文以Olivetti Research Laboratory(ORL)人脸库和Yale人脸库为研究对象,对人脸识别技术中的特征提取方法与分类识别方法进行了研究。在特征提取方面,本文主要针对主成分分析方法(PCA)、线性判别分析方法(LDA)、Fisher脸特征提取方法进行了研究。首先本文在PCA方法的基础上提出了加入灰度统计特征的PCA方法。相较于PCA方法,该方法不仅提高了识别率,而且特征提取和分类识别性能也得到了提高。其次本文在LDA方法的基础上提出了(2DLDA)2的方法,相较于LDA方法,该方法得到的样本的最终特征维数最少,识别性能得到很大程度的改善,而且识别率也有很大的提高。在分类识别方法方面,本文利用最近邻分类器,神经网络和支持向量机三种分类器分别对特征提取后的样本进行分类,并对各分类器的分类性能和识别率进行了研究。最终,最近邻分类器由于需要计算每一个测试样本与所有训练样本之间的距离,因此分类性能最差。但该分类器的识别率最高。支持向量机在以一对多的规则建立分类面时分类性能最好。相较于最近邻分类器,支持向量机的识别率略有降低,但性能上远远高于最近邻分类器。神经网络分类器采用BP神经网络结构,对训练样本进行训练,其收敛速度快,收敛误差较小。然而利用该分类器对测试样本进行分类时,识别率不佳。