Fisher线性鉴别分析(简称FDA)方法是一种常用的图象识别方法。FDA方法在处理图象识别问题时先把图像从二维矩阵转化为一维向量，然后再求这个一维向量的类内和类间散度矩阵。如果图像是m×n的矩阵，则它的类内和类间散度矩阵就是m2×n2的矩阵。这不但造成巨大的计算量，而且在小样本时还造成类内散度矩阵的奇异性。为了解决这个问题，人们绞尽脑汁，研究各种各样的改进方法，但效果还是不尽人意。 2DFDA是近年来出现的一种新的FDA改进方法。2DFDA直接用图像的二维矩阵进行类内和类间散度矩阵的计算。2DFDA不但避免了庞大的计算量，而且在绝大多数情况下解决了小样本类内散度矩阵奇异性的问题。2DFDA已经引起业界的广泛重视。 通过对2DFDA的数学分析，不难发现，2DFDA是通过利用图像矩阵同一行或同一列象素之间的相关性来构造类内和类间散度矩阵。对于人脸图像来说，图像矩阵同一行或同一列象素之间的相关性不如同一个局部块象素之间的相关性强。人脸图像一个局部块往往表示一个完整的语义，如鼻子、眼睛、下巴等等。因此，为了充分发挥2DFDA在人脸识别中的应用，本论文提出基于分块扫描的2DFDA方法。本论文首先把人脸图像分块，然后把块内的象素转化为行象素或列象素，再采用2DFDA方法进行人脸识别。实验结果表明，在人脸识别的应用中，本论文提出的基于分块扫描的2DFDA方法优于基于行或列扫描的2DFDA方法。 为了进一步提高人脸识别的效果，本论文提出了多种扫描方式融合的2DFDA方法。本论文把基于行扫描、基于列扫描和基于块扫描的2DFDA的识别结果通过数据融合的方式给出最终的判决。实验结果表明，本论文提出的多种扫描方式融合的2DFDA方法结合了人脸图像多方面的识别信息，取得了比任何一种基于单一扫描方式的2DFDA都好的结果。