人脸识别技术是基于生物特征识别技术的一个重要分支,在辨别身份和传递感情方面起着重要的作用。由于人脸识别技术在视频监控、访问控制、信用卡验证、多媒体数据库检索以及安全等领域有着广阔的发展前景,它是模式识别和计算机视觉领域内研究的一个热点。一个完整的人脸识别系统包括人脸检测和人脸识别两个部分。图像的预处理,特征提取和分类器设计是人脸识别中三个关键性的问题,本论文针对这三方面的问题,以主成份分析和径向基神经网络为基础展开研究,并做了以下3方面研究：1.分析了人脸识别相关技术中图像处理的基本理论,研究图像预处理方面的原理和方法,借助OpenCV强大的图像处理能力,经过归一化、平滑等方法使图像对比度增强,又根据金字塔序列化的方法解决人脸尺寸不统一的难题。2.特征提取方面,采用基于主成份分析(PCA)的特征脸法,针对主成份分析方法提取的特征值维数较高,特征提取速度较慢的现象,本文以最小化类内离散度出发点,将2DPCA提取的特征矩阵当做一个图像矩阵,将该矩阵转置后进行处理,以此提出一种改进的2DPCA方法解决特征提取速度慢的问题。3.建立基于RBF网络的分类器,对网络的权值的设定问题及简化网络结构作了研究。提出了通过对样本聚类分析确定隐含层节点数,以计算两个聚类中心的距离来代替个体训练样本估计聚类节点宽度,并采用一种混合的学习算法对RBF节点参数进行调整的方法。并通过实验对比结果部分分析了学习率的选择问题,不同的K-L阈值对网络隐层节点数和识别效果的影响方面分别进行讨论。