作为计算机视觉、模式识别和图像处理等领域的研究重点之一，近年来，人脸识别越来越受到研究人员的广泛关注。与其他生物特征识别方法比较，人脸识别的优点在于自然、友好、无侵犯性，但是识别的准确率还有待进一步提高。 在人脸识别问题中，样本空间的维数往往大于训练集中的样本数。结果，使得类内离散度矩阵总是奇异的，所以不能直接使用线性判别分析(LDA)方法。这就是所谓的“小样本”问题。本文提出一种新的人脸识别方法，称作可判别平凡向量法，它是Fisher线性判别分析在小样本情况下的一种变型，给出了使改进的Fisher线性判别标准最大化的一个最优解。 本文的研究工作主要包括两个部分：从标准人脸库中划分出训练样本集，用以提取特征向量，即可判别平凡向量；对测试样本集中待识别的人脸进行分类识别。为了提取可判别平凡向量，本文给出了两种算法，使训练集中的每类样本对应于一个可判别平凡向量。第一种算法利用了样本训练集的类内离散度矩阵来得到可判别平凡向量，另一种算法用子空间法和克莱姆—施密特(Gram-Schmidt)正交化来得到可判别平凡向量。测试阶段，用可判别平凡向量来进行人脸分类。这里，选择目前广泛使用的欧氏距离作为相似性度量，采用最近邻分类法进行判别。 为了证明本文提出的可判别平凡向量法的有效性，本文利用ORL标准人脸数据库进行了实验。本文证明了对给定的某一个类别，将其每个样本投影到类内散度矩阵的零空间时，可得到同一个唯一的平凡向量。实验结果表明，可判别平凡向量方法在识别率、实时性、存储要求和数值稳定性方面都优于其他方法。