人脸识别技术是生物识别技术的一个重要分支,其具有极强的科学研究挑战性,是国内外研究的热点。在公共安全、刑侦破案、证件验证以及出入控制等有着实际的应用价值。人脸识别研究包括人脸检测与定位、特征提取以及识别这三个部分。本文针对ORL人脸数据库,首先分析了几种传统的人脸识别方法,然后重点研究了基于小波分解和非负矩阵稀疏分解(NMFs)的人脸的特征提取和基于RBF神经网络的人脸识别这两个部分。在人脸特征提取方面,本文采用的是基于小波分解和非负矩阵稀疏分解(NMFs)的人脸特征提取的方法。首先研究了小波变换和非负矩阵稀疏分解(NMFs)算法的原理。然后针对人脸特征提取中小波分解的两个关键点,即小波基的选择和小波基层数的选择,并对其进行实验,通过实验选择合适的小波基函数及小波分解层数；最后针对NMFs算法对人脸图像进行特征提取实验,在实验过程中通过对其进行稀疏度的控制,可以得到基于全局的或是局部的人脸特征,因此,基于NMFs的人脸特征提取方法对局部有遮挡的人脸有很好的识别效果。实验结果表明：本文采用将小波分解和非负矩阵稀疏分解算法相结合的方法,对人脸图像进行特征提取,既提高了计算速度,还可以提取到基于全局或是局部的人脸特征。在人脸识别方而,在研究了RBF神经网络的结构以及常用的学习方法的基础上,改进了RBF神经网络的设计方法,采用监督聚类和混合学习(HLA)相结合的算法来设计RBF神经网络分类器。首先采用监督聚类的算法构建和初始化RBF神经网络,然后用混合学习算法(HLA)训练RBF神经网络。监督聚类算法较常用的自组织选取法相比,可以进一步减少错分的情况；而HLA算法是最小二乘法和梯度下降法的结合,该算法保证了算法的收敛速度。在此基础上,本文提出了一种基于非负矩阵稀疏分解(NMFs)和RBF神经网络的人脸识别算法,对其进行了相关的实验,并对实验结果进行了分析。实验结果表明：本文提出的算法简单易行,降低了计算的复杂性,具有较高的识别率。