随着信息技术的飞速发展，如何保证信息的安全性已经得到了社会的广泛关注。在很多应用领域，包括电子商务、网上银行以及国家安全等等都亟需有效的身份认证技术来保障用户的安全。与传统的身份认证技术相比，基于生物特征识别的身份认证技术更加稳定、方便且安全，已经得到了社会大众的普遍认可以及广泛应用。目前，生物特征识别技术主要利用人体自身具有的特征，包括生理特征和行为特征来进行来对人的身份进行认证和识别，而生理特征（指纹、虹膜以及人脸）普遍被使用。在对人的身份的识别过程中，生物特征技术将信息技术与人的生理特征进行有效的结合，已经慢慢取代传统的身份认证方法。相较于指纹和虹膜，人脸识别是一种非接触性的识别技术，通过整体面部特征识别，具有更高的自然性、可接受性以及唯一性。并且人脸是最普遍的交流模式，在人与人的交往中具有十分重要的意义，使其成为生物特征识别技术的热点研究领域。目前主要的基于人脸进行识别的算法包括：基于PCA的人脸识别算法、基于Fisher线性判别的人脸识别算法以及基于LBP特征的人脸识别算法，这些算法在识别率、计算时间、数据存储量以及可扩展性方面各有优劣。OpenCV是一个开源的可以跨平台运行的计算机视觉库，包含了许多图像处理和计算机视觉方面的通用算法。其中的源代码都是开源免费的代码，因此可以用于科研人员的研究领域，也可以用于商业领域。整个OpenCV包含五百多个函数，其中涉及到计算机视觉的各个领域，包括人机互动、物体识别以及机器视觉等等。本文在对这三种方法进行深入研究的基础上，分析了人脸识别实验平台的需求，包括对人脸实验图像的批量导入、人脸特征提取和识别以及人脸识别算法评价指标的计算等。针对这些需求和OpenCV中人脸识别相关的库函数，本文归纳了实现这些功能将使用的CvMat矩阵类、IplImage图像指针、Algorithm算法类以及FaceRecognizer人脸识别类，介绍了这些类的功能和成员。利用这些库类和函数，本文详细描述了实现人脸识别实验平台功能的过程和效果。最后在实现的人脸识别实验平台上，对两个公开的人脸数据库（FERET人脸数据库和AT&T人脸数据库）上进行实验，通过实验结果展示了本文实现的人脸识别实验平台的效果和上述三个人脸识别算法的有效性。