人脸识别技术是模式识别和机器视觉领域最富挑战性的研究课题之一，也是近来研究的一个热点问题。但是到目前为止，已经取得的研究成果离这一问题的彻底解决还有很大的距离。 本文工作的主要贡献反映在以下几个方面。（1）提出了一种基于几何特性的面部特征点的检测方法。根据人的面部器官所遵循的比例关系，将人脸划分为若干个窗口，在窗口内对面部特征点进行检测。这在很大程度上降低了算法的复杂性，提高了检测速度。考虑到脸形对于人脸识别的重要性，我们提出了一种基于Canny边缘检测和数学形态学算子的脸形检测方法，通过检测脸部轮廓线上的6个特征点来决定脸形。最后，根据检测结果，采用特征点匹配的方法对正面人脸图像进行识别。实验结果表明这种方法是可行的。（2）提出了一种新的基于奇异值分解的人脸识别方法，我们称其为基于局部奇异值的方法。传统的方法是将整幅图像的奇异值作为识别特征量。这样做有明显的不足，就是奇异值向量只有几个显著值作为特征量参与了识别，而奇异值向量的显著值的个数通常很少。这就造成了图像尺寸增加不一定能增加识别的特征个数。特征量太少的直接结果是识别率的降低。根据上述事实，我们提出了一种基于局部奇异值的人脸识别方法，用多个小窗口采样人脸，计算各个小窗口图像的奇异值排成的向量，按字典排序法组成一个新的奇异值向量。用这种方法来表征人脸，能够更加充分地利用图像的信息，增加有效的识别特征量，更好地反映人脸局部特征的个体差异。实验结果表明，这种方法明显优于采用单一奇异值向量的方法。（3）提出了一种新的基于隐马尔可夫模型的人脸识别方法，它采用奇异值向量作为观察向量。我们认为，人脸应当作为一个整体来描述，不仅仅包括各个器官的数值特征，还应当包括各个器官的不同表象和相互关联。选择隐马尔可夫模型的合理性表现在以下方面：人脸图像具有显著特征的几个区域可以抽象为HMM的一组隐含状态。同一个人的面部表情变化、姿态变化等的丰富表现可以看作是同一组状态产生的一系列实现，它们对应的是同一个HMM模型，而不同的人我们用不同的HMM来表现。这样，我们就将人脸面部器官的数值特征及相互关联同一个状态转移模型联系起来。最初报道的基于HMM的方法是直接采用灰度值作为观察向量的。由于奇异值向量的稳定性以及转置不变性等特性，因而从原理上讲用它作为观察向量要优于直接采用灰度值或二维离散余弦变换系数。我们的实验结果也证明了这一点。 （4）提出了一种基于奇异值分解和嵌入式隐马尔可夫模型（Embedded HiddenMarkov Model）的人脸识别方法。嵌入式隐马尔可夫模型增加了水平方向上的状态数，是一种简化了的二维隐马尔可夭模型，它可以更全面、更细致地对人脸进行描述。我们在ORL人脸数据库上实验获得了超过99％的识别率，这也是我们所知道的在这一数据库上迄今为止最好的识别结果。