人脸识别需要积累大量与人脸图像相关的数据来验证算法，不断提高识别准确率，如某神经网络人脸识别赋值、orl人脸数据库、麻省理工学院生物与计算学习中心人脸识别数据库、埃塞克斯大学计算机与电子工程学院人脸识别数据等。
区域特征分析算法结合了计算机图像处理技术和生物统计学原理，广泛应用于人脸识别系统中。它利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学原理分析并建立数学模型，具有广阔的发展前景。
人脸识别系统包括图像采集、人脸定位、图像预处理和人脸识别(身份确认或身份搜索)。系统的输入一般是一幅或一系列身份未定的人脸图像，以及人脸数据库中若干幅身份已知或对应编码的人脸图像，而输出则是一系列相似度得分，表示待识别人脸的身份。
人脸识别被认为是生物特征识别乃至人工智能领域的难点研究课题之一。人脸识别的难度主要是由人脸作为生物特征的特性造成的。
类似
不同个体之间差别不大。所有的人脸在结构上都是相似的，甚至面部器官的结构和外观也是相似的。这一特征有利于利用人脸进行定位，但不利于利用人脸区分人类个体。
可变性
人脸的外观是很不稳定的，人可以通过人脸的变化产生很多表情，从不同的观察角度看人脸的视觉图像也有很大的不同。此外，人脸识别还会受到光照条件的影响(如白天黑夜、室内室外等。)，脸的很多遮盖物(比如口罩，墨镜，头发，胡子等。)，年龄等诸多因素。
在人脸识别中，类变化应该被放大作为区分个体的标准，而第二类变化应该被剔除，因为它们可以代表同一个个体。通常，阶级的变化称为阶级间的差异，第二种变化称为阶级内的差异。对于人脸来说，类内变异往往大于类间变异，这使得在类内变异的干扰下，利用类间变异区分个体变得异常困难。