人脸识别技术是利用计算机对人脸图像进行分析和理解，从而完成人脸检测，身份认证等一系列工作的技术，是近年来计算机图像处理、模式识别、人工智能等领域内最为活跃的研究课题之一。它具有广泛的应用领域和重要的理论研究价值。由于难度较大，目前对计算机人脸识别技术的研究仍不成熟。 对计算机人脸识别技术的研究在上世纪六十年代末就已经开始，但由于其本身的难度和技术条件的限制，一直发展缓慢。近二十年来，由于计算机技术、信号处理技术、模式识别技术的飞速发展和实际应用需求的急速增长，人脸识别技术日益受关注，并在相关的理论和应用领域获得长足的进步。 在前面的章节中，本文简要介绍了人脸识别技术的研究背景，意义，研究内容和研究的历史和难点，国内外人脸识别技术的现状和产品，人脸识别系统的评价标准。为了获得一个较为客观的对人脸识别算法的评价，一个很重要的前提就是所有的试验都是在一个标准的而且具有代表性的人脸图形库上进行的。本文还介绍了国际上常用的人脸数据库及其特点，并采用0RL人脸数据库作为本文研究的人脸数据库。 由于PCA空间中哪些分量对分类更重要，仍然没有结论，较小的特征值可能对分类产生较大的影响。加权的PCA分析在提取特征的时候，特征向量之间不仅互不相关，而且协方差矩阵是单位对角矩阵。如何构造特征向量的统计矩阵是个关键的问题。目前，加权PCA分析只是应用在特征脸分析，因此本文主要研究加权的PCA分析在2D图像的人脸识别算法上的应用。 本文主要介绍基于主分量分析的人脸识别算法，应用加权PCA分析的基本思想，在广泛研究各种主分量分析人脸识别算法的基础上提出改进算法： (1).对单训练样本的人脸识别，本文结合SVD定理和加权的主分量分析方法，提出了改进的奇异值扰动加权主分量分析方法，即ESWPCA算法； (2).针对特征数目比较小(d≤10)时，基于2D图像人脸识别算法识别率不高的问题，本文应用WPCA变换的思想和类比的方法，推导出2D图像人脸识别的一种改进算法，即2D差值图像的WPCA算法(Delta2DWPCA)。并在实验中对这两种改进的新算法进行了研究。