美国“9.11”事件后，人们迫切需求一种快速有效的身份验证技术以确保系统安全和公共安全，基于人脸识别的身份验证方法的出现给人们带来了希望。人脸识别比其它人体生物特征身份识别方法更直接、友好和方便，普遍为人们所接受。早期的人脸识别由于维度和数据较大只能运行于性能良好的PC机，但随着人脸识别技术和嵌入式设备（尤其是ARM设备）的发展，人脸识别技术亦能在嵌入式设备上实现。嵌入式设备具有方便携带、安装快捷、机动性强等特点，在很多方面已取代了PC。本文所做人脸识别算法的研究及实现本文正是基于PXA270嵌入式开发板。小波变换具有良好的时空局部化能力，能较好的反映信号点奇异性，然而人脸识别时往往更关注人脸面部的边缘轮廓及五官等曲线特征，曲波（Curvelet）变换支撑基具有“各向异性”，能较好地反映曲线“沿”边缘方向特性，因而本文选用曲波变换对人脸图像进行人脸特征提取。针对小波变换在人脸识别中的不足以及嵌入式设备资源的有限，本文研究了两种嵌入式人脸识别算法——基于Curvelet与2DPCA的嵌入式人脸识别算法和基于Curvelet特征加权融合的嵌入式人脸识别算法。基于Curvelet与2DPCA的嵌入式人脸识别算法首先利用Curvelet变换提取包含人脸大部分能量的低频系数，而后采用2DPCA方法对其进行降维处理以降低特征维数和减少计算量，最后结合最近邻分类器进行分类以实现人脸识别。为了突出曲波低频部分对于人脸识别的贡献，同时又不摒弃高频部分的作用，本文提出了基于Curvelet特征加权融合的嵌入式人脸识别算法。首先采用Curvelet提取人脸图像的不同尺度及不同方向的特征，对这些特征采用两次2DPCA方法进行降维处理；采用Fisherface算法思想分别计算不同尺度各个方向上局部特征的权值；先求得各尺度及方向的局部特征与人脸训练样本的欧氏距离，而后对这些距离值加权融合为最终距离值，进行分类决策以识别人脸。由于人脸图像维数数较大及ARM板资源的短缺，因而选择在PC机上完成人脸分类器的训练过程，而后通过网络发送至ARM平台实现嵌入式人脸识别。经过ORL人脸库和Yale人脸库测试，本文所提出的嵌入式人脸识别算法运行效果良好，取得了良好的识别效果，缩短了识别时间，同时能有效降低光照条件和表情变化对人脸识别的影响，对于人脸识别研究和嵌入式系统开发具有一定的理论参考价值和借鉴意义。