人脸识别技术作为生物特征识别的关键技术之一,其研究内容一直是计算机视觉的热点问题。怎样去分析与处理人类的脸部图片,并从中提取有效的特征信息,近年来成为模式识别、智能控制、图像处理和机器视觉等多个方面的研究热点。经过最近数十年的科学研究,研究人员不断地尝试使用数学方法去模仿人脑识别图像的思路,提出了许多有效的人脸识别方案,并使用不同的识别方法让识别系统的平均性能得到了很大程度的提升。但是,由于人脸图像的特殊性,人脸识别问题也是模式识别领域的一个富有挑战性的问题。虽然目前该技术有了一定的发展,但是要使这一技术达到相对成熟的水平,进而被广泛地应用到实际中,还有很多问题有待解决。鉴于人脸识别领域存在的问题,特征提取又是影响人脸识别算法性能的关键步骤,本文的重点是研究并改进特征提取的方法,致力于减少人脸表情、光照变化等因素对识别的影响。主要工作如下：使用独立成分分析(ICA)算法,为高维矩阵寻找一种变换,使得高维矩阵的特征尽可能的独立,而后对ICA算法与主成分分析(PCA)算法进行了分析对比,将两种算法进行了结合。通过在ORL人脸库上的仿真实验,该方法大幅提高了识别准确率和效率,表现出了优良的识别特性。而后设计了基于Gabor变换的人脸识别系统,其主要思想是模仿人类大脑识别人脸的机制,使用Gabor算法对图片进行多方向多尺度的变换。本文提出了首先对人脸库的图像进行双线性插值压缩,然后对其进行多方向多尺度的Gabor变换的人脸识别算法,并和传统PCA-LDA算法作比较。在光照和表情变化较大的FERET人脸库上进行实验,识别结果显示,本文提出的算法有效克服了光照和表情的干扰,大幅提高了识别准确率。