人脸识别是模式识别和人工智能领域的研究热点之一。它涉及图像处理、生理学、心理学、认知科学等诸多学科领域，且在各种有效证件的核对、安全监控和罪犯捕获等方面有着广阔的应用前景。 本文主要工作包括： (1)分析了主成分分析法在特征向量选择方面的问题，提出了一种基于主成分分析和人工神经网络结合的多姿态、表情准正面人脸图像识别方法。首先对不同人以及同一个人的人脸图像进行主成分变换，然后根据得到的人脸图像类内及类间距离数值的变化结果，在充分考虑到其可分性和计算工作量的前提下，选择适当的主成分变换向量的个数并进行人脸图像的特征提取。通过实验验证，此方法有效抑制了表情、姿态变化等因素对人脸识别造成的不利影响，提高了对此类人脸图像的识别率。(2)使用BP神经网络进行人脸图像的分类识别。由于BP算法本身固有的缺陷，用普通的BP算法训练时，网络收敛速度很慢，而且存在着局部极小值的问题，因此我们采用了改进的BP算法来提高学习速率和增加算法的可靠性。改进的BP算法采用动量法和学习率自适应调整的策略。采用动量法降低了网络对于误差曲面局部细节的敏感性，有效的抑制网络陷入局部极小，从而找到更优的解。而自适应调整学习率可以有效的缩短学习时间，加快收敛速度。最后将经过PCA方法所抽取的人脸图像的特征向量送入到改进后的BP神经网络中进行分类识别。