人脸识别的研究始于二十世纪六十年代中后期，是模式识别，图像处理、分析与理解，计算机视觉以及人工智能研究的一个重要领域，也是近40年来在全球范围内迅速发展起来的根据生物特征进行身份识别的关键技术之一。人脸识别技术现已步入寻常百姓的生活和工作当中，被广泛应用于考勤、门禁、刑侦破案等安全监管领域，取得了令人满意的效果，但这些成果都是建立在理想条件下进行的，大量的实验测试和实践经验告诉我们，非理想条件下，各种人脸识别技术还远未成熟，如何对人脸图像进行去噪，排除光照、人脸表情、姿态以及人脸遮罩物等外界因素的干扰，从高维的人脸图像中提取有代表性的特征进行有效的分类依旧是现在人脸识别研究的重点和难点。人脸识别过程中图像特征提取和降维是关键所在，主成分分析是一种有效的方法，但它是一种统计方法，对于图像中的像素都赋予了同等的地位，外界噪声均被视为人脸面部灰度，而一般外界因素都易在图像边缘产生噪声，曲波变换对于图像的边缘具有良好的稀疏表达能力，对于去噪具有良好的效果，但尺度系数矩阵间数据存在不可忽视的冗余，为了抽取稳定而有效的人脸特征，本文采用了结合Curvelet和2DPCA的特征提取方法，扬长避短，先对图像进行曲波分解，再对低频系数构成的曲波脸进行2DPCA分析提取人脸特征。在人工智能正渐渐融入日常生活的年代，具有高度非线性特性和并行性、较强自适应、自学习功能及良好的容错能力和联想记忆功能的人工神经网络备受人脸识别领域研究学者关注，其中结构层次简单、可操作并易于程序实现、计算精度高的BP网络被广泛应用和研究。BP网络内部层间节点互联同时采用最速梯度下降法，结构一旦复杂，在学习训练过程中，容易出现收敛速度慢、易陷入局部极小点等问题，导致训练不完全。本文提出一种结合Curvelet和2DPCA优化输入信号的BP网络人脸识别方法，在训练过程中，根据BP网络识别率变化趋势选择最佳2DPCA人脸投影空间维数进行降维，通过按需分配的思维模式选取最具代表性特征进行学习，一定程度上有效避免了分类器“过拟合”问题的出现，同时优化了BP网络结构。采用剑桥大学ORL和耶鲁大学YALE人脸数据库进行Matlab程序仿真，实验数据表明，本文提出的方法具有更高的正确识别率和鲁棒性，泛化能力较强，虽然训练时间复杂度较高，但总体性能得到了改进。