人脸识别模组的问题可以描述为根据预先存储的人脸数据库，给定某个场景中的静态图像或动态序列，识别或认证场景中一个或多个人的身份。

　　早期的人脸识别模组大多采用传统的机器学习算法，如特征脸结合线性判别分析。此外，该研究更侧重于如何提取更多的识别特征以及如何更有效地对齐人脸。随着研究的深入，传统机器学习算法人脸识别在二维图像中的性能提升已经逐渐达到瓶颈，因此大多数人开始研究视频中的人脸识别，或者结合三维模型的方法进一步提升人脸识别的性能，也有少数学者开始研究三维人脸识别。

　　早期的人脸识别模组研究是基于高级特征的几何参数，包括面部器官的几何特征，如眼睛之间的距离、头部宽度和鼻子高度，以及面部关键特征点的相对几何关系，如两个眼角和鼻尖之间的距离比。

　　但是人脸识别模组本身关键点(特征点)的准确定位是一个难题，容易受到姿态和表情变化的影响，导致特征不稳定。直到现在，人脸识别模组的特征点定位仍然是人脸算法重要的研究方向。同时，提取的几何特征过于简单，丢失了大量的图像判别信息，降低了不同人之间的可分性。因此，基于几何特征的算法鲁棒性差，整体识别准确率低，无法构建具有实际应用价值的人脸识别系统。

　　在基于图像特征的人脸识别模组发展阶段，基于神经网络的方法也兴起了一段时间，但当时受软硬件条件的限制，仅采用了浅层线性神经网络，效果并不突出。

　　除了神经网络方法之外，基于子空间分析的方法也逐渐占据了人脸识别研究的主流。子空间分析主要侧重于特征分析和分类算法，试图通过特征降维和变换等多种手段来提高特征的区分能力。从实用的角度来看，后期基于传统机器学习算法的人脸识别模组通常会结合基于表示特征和子空间分析的方法，共同提高人脸识别模组的性能。

　　随着传统算法性能趋于饱和，研究者开始从信息源的角度将人脸识别模组从二维静止图像扩展到三维人脸和视频人脸。上述方法都是从二维图像中提取特征。20世纪90年代中期以后，由于3D采集技术的发展，基于3D的人脸识别算法逐渐出现。一类算法直接基于三维扫描仪获得的三维数据，其中三维数据的表示格式主要包括三维点集、表面网格、深度图和EGI。匹配方法大致可分为空间直接匹配、局部特征匹配和整体特征匹配。此外，还有一种结合了2D和3D的人脸识别算法。由于三维数据采集仍然困难且耗时，三维数据处理复杂，这种方法无法投入实际应用。