人脸包含许多重要的视觉信息，是表现人与人之间差别的重要生物特性之一。人脸识别已经成为模式识别、图像处理和信息安全等领域中最具有挑战性的研究课题之一。在身份的自动辨认和确认的研究上，人脸识别具有巨大的应用价值和重要科学意义。　　本文重点关注的是人脸图像的特征提取和识别技术。奇异值分解法能有效反映矩阵的特征，且具有位移不变性、转置不变性等特性，因此它是图像的一种有效特征。但是提取整幅图像的奇异值特征有明显的缺陷：整幅图像的奇异值特征向量仅反映图像整体的特征，缺少对局部细节的表述。因此，多尺度奇异值分解（Multiscale Singular Value Decomposition，简写MSVD）算法被人们提出：将人脸图像进行多尺度划分，得到每个图像子块的奇异值向量，取其前几个最大的特征值，组成特征向量，再进行人脸识别。由于多尺度奇异值特征向量反映了图像的全局特征与多种尺度下的局部特征，是以它具有的分类信息更多。而本文提出了将MSVD和PCA融合作为特征提取的方法并进行实验，虽然识别率有所提升，但是时间效果并不令人满意，因此又提出了将MSVD和隐马尔可夫模型（Hidden Markov Models，简称HMM）结合的方法。　　隐马尔可夫模型是一种统计模型，其中其状态数是计算复杂度的主要有效因子。大多数研究人员根据面部区域划分的数量使用了五个以上的状态。基于对时间考虑，本文提出将三状态的隐马尔可夫模型作为人脸识别的分类器，在不影响识别效果的前提下减少了识别的时间。在研究过程中，确定了隐马尔可夫模型的部分模型参数即观察向量序列的采样窗大小以及初始转移概率矩阵，希望能够平衡识别率、训练时间和识别时间。实验在ORL数据库上完成，并将实验结果与其他几种同在ORL上完成的算法进行对比，检验MSVD结合HMM方法的好坏。最后在ORL数据库的进行的实验结果证明，本文方法的识别率是能够令人比较满意的，而且训练和识别时间也相对较短。