人脸自动识别技术作为生物特征识别技术的重要组成部分，在近三十年里得到了广泛的关注和研究，已经成为计算机视觉、模式识别领域的研究热点。人脸识别问题涵盖了图像处理、模式识别和计算机视觉等多个领域，它主要有特征提取和模式识别两个部分。特征提取是从人脸图像中提取可以用来分类的信息；而模式识别则是利用提取的特征进行模式分类。本文以此为重点进行了相关的研究，主要内容如下：　　 在特征提取环节，本文用主成份分析（Principal Component Analysis，PCA）和独立分量分析（Independent Component Analysis，ICA）用于人脸特征的提取，并比较了这两类特征在用于人脸识别中的差异。在人脸识别中，不经预处理的人脸图像的维数非常高，高维图像的识别不仅增加了识别系统的复杂度和成本，而且增加了计算的复杂度，可能导致无法满足实时性的要求；同时不经处理的人脸图像中含有很多冗余的信息，影响了正确分类结果。针对传统的ICA算法存在迭代次数多，收敛难的不足，本文采用FastICA作为ICA的快速算法。　　 在分类判别中，分别用最近邻（Nearest Neighabor，NN）法、最近邻特征线法（Nearest Feature Line，NFL）法与本文提出的改进的基于NN和NFL联合的分类器，对ORL人脸库提取的PCA和ICA特征进行了识别，并与BP神经网络进行了比较。本文还将一个自适应BP神经网络用于人脸识别。自适应的BP神经网络，能够自动删减输入层，选择合适的特征，避免了NN和NFL分类器那样重复选择特征寻找最优特征个数的过程。　　 实验结果表明，ICA特征优于PCA特征，改进的基于NN和NFL的分类器分类效果优于NN和NFL分类器，识别率略逊于自适应的BP神经网络分类器，但是训练速度比BP神经网络快。