人脸识别是模式识别和人工智能领域的研究热点之一,在近些年受到了人们越来越多的重视。主成分分析算法(PCA)作为一种经典的人脸识别方法,识别过程简单直接,但识别效果受光照、表情等因素的影响较大;四元数主成分分析算法(QPCA)对图像像素之间的结构信息利用充分,但对图像的预处理要求较高,且大多用于彩色人脸图像识别。鉴于目前大部分人脸数据库收集的是灰度图像,本文以人脸灰度图像作为研究对象,综合考虑识别算法性能和计算复杂度两方面的因素,在特征提取和识别方面进行了对主成分分析算法的改进工作。首先,研究了小波包变换和四元代数的相关理论,提出了人脸特征的表示方法。利用小波包变换的正交多尺度特性,对人脸图像这一非平稳信号进行小波包变换,分解得到的各分量构造成四元数人脸模型。这样既保留了图像的全局信息,又获得了图像的细节信息,增强了各分量之间的相关性。然后,针对四元数主成分分析算法计算量大的问题,提出了二维四元数主成分分析方法(2D-QPCA),对四元数人脸模型进行降维并构造特征空间;在识别时,将特征空间划分为若干子块,对每个子块根据最近邻算法进行分类并对分类结果投票,根据投票结果实现最终的人脸识别。最后,在ORL、Yale、YaleB和Indian人脸数据库上进行实验仿真,研究了本文方法中参数与识别率之间的关系,并与PCA等算法进行了比较。实验表明本文方法改善了光照、表情变化的鲁棒性,具有识别精度高、计算复杂度低的特点。