pca و lda دو روش شناخته شده و اساسی در استخراج ویژگی و کاهش ابعاد فضای مشخصه سیگنال هستند و به طور گسترده ای در مسائل با ابعاد بالا مانند تشخیص چهره به کار گرفته می شوند. ولی نقاط ضعف این دو روش در مواجهه با تعداد کم نمونه ها و ابعاد زیاد تصاویر چهره، محققان را بر آن داشت تا تمهیداتی در زمینه بهبود این نقاط ضعف انجام دهند. روش هایی همچون 2dpca، 2dlda، ?(2d)?^2 pca و ?(2d)?^2 lda حاصل این تمهیدات در جهت بهبود روش های pca و lda کلاسیک بوده اند. ما در این تحقیق، ابتدا به بررسی و مقایسه بیشتر این روش ها ازنظر کارآیی و سرعت خواهیم پرداخت. به همین منظور کلیه این روش ها را روی سه مجموعه داده ای orl، yale و ar اِعمال کرده و میزان دقت و سرعت هریک از آن ها را با درنظر گرفتن تعداد نمونه های تعلیم متفاوت، محاسبه و مقایسه می نماییم. نتایج این آزمون ها حاکی از آن است که پیشنهاد روش ?(2d)?^2 pca از میان این متدها به عنوان روشی قابل اطمینان و با زمان اجرایی مناسب در زمینه استخراج مشخصه های تصاویر چهره، منطقی به نظر می رسد. در ادامه با تکیه بر نتایج قبلی، روشی جدید بر مبنای روش های pca و lda پیشنهاد کردیم و به تحلیل و بررسی نتایج حاصل از به کارگیری آن بر روی سه مجموعه مذکور پرداختیم. نتایج حاصله گویای کارآیی و سرعت بیشتر استفاده از روش ?(2d)?^2 pca به عنوان پیش پردازش lda، نسبت به دیگر روش های مبتنی بر pca و lda می باشد. استفاده از این روش در برخی موارد تا 20% بهبود به دنبال داشته است. در نهایت، با توجه به گسترش روزافزون کاربردهای عملیِ فیلترهای گابور و شبکه های عصبی مصنوعی در مباحث پردازش تصاویر و تشخیص الگو، برآن شدیم تا تأثیرات این دو مبحث مطرح در دنیای کنونی را بر متد پیشنهادی خود بیازماییم. با توجه به کارآیی و زمان های اجرای حاصله، استفاده صِرف از روش پیشنهادی همراه با یک عملگر فاصله اقلیدسی به منظور کلاس بندی، مطلوب تر و منطقی تر به نظر می رسد.