伴随科学技术的不断创新与信息的不断完善成熟,虽然人们的生活及学习都得到了便利,但安全性问题却存在很严重的漏洞。传统的安全技术逐渐显露出了缺陷,小至每天的日常生活,大至整个社会都存在极大的隐患。例如盗窃账户信息和数据的现象频繁出现,导致一些无法挽回的损失。生物特征是利用人体不可更改的特征进行识别的一种方法,因其很难被更改而具有难伪造性,目前得到人们的加倍青睐。在生物特征中人脸识别最容易被接受,可以在不被他人发现的情况下进行监控,在许多场合都被广泛应用,有着重要的研究价值和应用价值。在特征提取阶段,采用2DDPCA(Two Dimension Double PCA)一种双向压缩的二维特征提取算法。子空间中的典型PCA算法是现在的潮流之一,主要是依据线性组合即K-L变换。但以往的PCA算法会受环境的干扰而对相应的识别率造成严重的影响,暂时无有效弥补办法。为改进传统算法的不足,本文分析基于PCA(Principle Component Analysis)算法改进的2DPCA算法(Two Dimension PCA)和对2DPCA算法再次纵向压缩的2DDPCA算法。为了验证改进算法的性能,将PCA、2DPCA、2DDPCA这三种算法在人脸库上完成大量的对比实验及相应详细的分析。根据实验数据可得,改进后的2DDPCA算法拥有很好的识别率和重建性。在分类识别阶段,采用SVM(Support Vector Machine)支持向量机作为分类器完成人脸识别。SVM分类器具有很强的自学能力,又能避免过拟合现象,对处理高维空间中非线性分类有很好的分类识别效果。将SVM分类器和前面提到特征提取算法相结合,并在ORL库、Yale库上完成大量相关测试实验来获知不同核函数以及相应参数与分类结果的关系。通过实验验证,2DDPCA+SVM算法会有更好的识别效果和鲁棒性,能更好的适应复杂多变的外界条件。最后,本文借助MATLAB软件搭建了基于2DDPCA+SVM算法的人脸识别系统。该系统实现了算法的改进,使识别率得到了有效提高。