ویژگیهای استخراج شده از تصاویر چهره انسان، تحت تأثیر تنوعات مختلف نظیر تغییرات در نورپردازی، چرخش سر، داشتن حالتهای احساسی و سایر موارد تغییر می کند. به دلیل تأثیر این تنوعات غیرخطی در الگوهای ورودی، کارآیی سامانه های خودکار بازشناسی چهره در شرایط کنترل نشده به طور چشم گیری کاهش می یابد. برای افزایش کارآیی سامانه های بازشناسی چهره نسبت به این تنوعات، باید ویژگیهای مشابه برای تصاویر هر فرد استخراج نمود و همچنین تفاوتهای میان ویژگیهای افراد مختلف را برجسته نمود. در این نوشتار از روشهای pca آماری و شبکه های عصبی برای کاهش بُعد دادگان ورودی و استخراج ویژگیها از تصاویر چهره استفاده شده است. همچنین طبقه بندی کننده ویژگیها هم یک شبکه عصبی در نظر گرفته شده است. نهایتاً با استفاده از خاصیت یادگیری در شبکه های عصبی انجمنی، بردار غیرخطی تنوعات از تصاویر چهره افراد مختلف پالایش (فیلتر) شده و سپس توسط شبکه عصبی دیگری عمل طبقه بندی می شود. آزمایشات عملی برروی دادگان تصاویر چهره orl موفقیت روش در افزایش کیفیت بازشناسی چهره را نشان می دهد.