KL变换是图象压缩中的一种最优正交变换。人们将它用于统计特征提取，从而形成了子空间法模式识别的基础。若将KL变换用于人脸识别，则需假设人脸处于低维线性空间，且不同人脸具有可分性。由于高维图象空间KL变换后可得到一组新的正交基，因此可通过保留部分正交基，以生成低维人脸空间。而低维空间的基则是通过分析人脸训练样本集的统计特性来获得。KL变换的生成矩阵可以是训练样本集的总体散布矩阵，也可以是训练样本集的类间散布矩阵，即可采用同一人的数张图象的平均来进行训练，这样可在一定程度上消除光线等的干扰，且计算量也得到减少，而识别率不会下降。也就是说，根据总体散布矩阵或类间散布矩阵可求出一组正交的特征向量u1，u2，...，un ，其对应的全部特征值分别为λ1，λ2，...，λn，这样，在新的正交空间中，人脸样本X 就可以表示为
若通过选用m (m < n) 个特征向量作为正交基，则在该正交空间的子空间中，就可得到以下近似表达式
如将子空间的正交基按照图象阵列排列，则可以看出这些正交基呈现人脸的形状，因此这些正交基也被称作特征脸，这种人脸识别方法也叫特征脸方法。关于正交基的选择有不同的考虑，即与较大特征值对应的正交基(也称主分量)可用来表达人脸的大体形状，而具体细节还需要用与小特征值对应的特征向量(也称次分量)来加以描述，因此也可理解为低频成分用主分量表示，而高频成分用次分量表示。其中，采用主分量作正交基的方法称为主分量方法(PCA)。同时，也有人采用m个次分量作为正交基，原因是所有人脸的大体形状和结构相似，真正用来区别不同人脸的信息是那些用次分量表达的高频成分。由训练得到特征脸后，将待识别人脸投影到新的m 维人脸空间，即用一系列特征脸的线性加权和来表示它，这样即得到一投影系数向量来代表待识别人脸，这时候，人脸识别问题已转化为m低维空间的坐标系数矢量分类问题，而分类最简单的做法是最小距离分类。
KL变换在90 年代初受到了很大的重视，实际用于人脸识别也取得了很好的效果，其识别率从70～100%不等，这取决于人脸库图象的质量。从压缩能量的角度来看，KL变换是最优的，它不仅使得从n维空间降到m 维空间前后的均方误差最小，而且变换后的低维空间有很好的人脸表达能力，然而这不是说已经具有很好的人脸辨别能力。选择训练样本的散布矩阵作为KL 变换的生成矩阵，是由于其最大特征向量抓住了该样本集合的主要分布，但这是图象统计，而不是人脸统计方法。它虽然考虑了图象之间所有的差异，但由于它不管这样的差异是由照明、发型变更或背景导致，还是属于人脸的内在差异，因此特征脸识别的方法用于人脸识别存在理论的缺陷。研究表明，特征脸的方法随着光线、角度及人脸的尺寸等因素的引入，识别率急剧下降。虽然可通过采用同一人的训练样本的平均来计算类间散布矩阵，但也只能在一定程度上纠正这个缺点。研究结果表明，主分量的方法使得变换后表达能力最佳，次分量的方法则考虑了高频的人脸区分能力。由于对KL变换而言，外在因素带来的图象差异和人脸本身带来的差异是不加任何区分的，因此，不管如何选择正交基，也不能根本解决问题。其改善的一个思路是针对干扰所在，对输入图象作规范化处理，其中包括将输入图的均值方差归一化、人脸尺寸归一化等；另一种改进是考虑到局部人脸图象受外在干扰相对较小，在进行人脸识别时，除计算特征脸之外，还可利用KL变换计算出特征眼睛、特征嘴巴等。然后将局部特征向量加权进行匹配，就能够得到一些好的效果。