[pt] Identificar um indivíduo a partir de uma imagem de face é uma tarefa simples para seres humanos e extremamente difícil para a Visão Computacional. Esta questão tem motivado diversos grupos de pesquisa em todo o mundo, especialmente a partir de 1993. Inúmeros trabalhos realizados até o momento encaram uma imagem digital de n pixels como um vetor num espaço n-dimensional, onde n é em geral muito grande. Imagens de rostos humanos possuem, contudo, grande redundância: todas contém dois olhos, um nariz, uma boca, e etc. É possível, portanto, trabalhar em uma base deste espaço em que faces possam ser adequadamente caracterizadas a partir de um conjunto de p componentes, onde p é muito menor quen. É com este enfoque que o presente trabalho estuda sistemas de reconhecimento de faces que consistem de um estágio de redução de dimensionalidade, realizado pela técnica de Análise de Componentes Principais (PCA), seguido de um modelo classificador. No estágio da PCA, as imagens de n pixels são transformadas em vetores de p características a partir de um conjunto de treinamento. Três classificadores conhecidos na literatura são estudados: os classificadores de distância (EUclideana e de Mahalanobis), a rede neural de Funções Base Radiais (RBF), e o classificador de Fisher. Este trabalho propõe, ainda, um novo classificador que introduz o conceito de Matrizes de Covariança Misturadas (MPM) no classificador gaussiano de Máxima Probabilidade. Os quatros classificadores são avaliados através da variação de seus respectivos parâmetros e utilizam como imagens o banco de faces da Olivetti. Nos experimentos realizados para comparar tais abordagens, o novo classificador proposto atingiu as maiores taxas de reconhecimento e apresentou menorsensibilidade à escolha do conjunto de faces de treinamento. / [en] Identifying an individual based on a face image is a simple task for humans to perform and a very difficult one for Vision Computing. Since 1993, several research groups in all over the world have been studied this problem. Most of the methods proposed for recognizing the identity of an individual represent a n intensity pixel image as a n- dimensional vector, when, in general, n is a very large number value. Face images are highly redundant, since every individual has two eyes, one nose, one mouth and so on. Then, instead of using n intensity values, it is generally possible to characterize an image instance by a set of p features, for p < < n. This work studies face recognition systems consisting of a PCA stage for dimensionality reduction followed by a classifier. The PCA stage takes the n-pixels face images and produces the corresponding p most expensive features, based on the whole available training set. Three classifiers proposed in the literature are studied: the Euclidean and Mahalanobis distances, the RBF neural network, and the Fisher classifier. This work also proposes a new classifier, which introduces the concept of Mixture Covariance Matrices (MPM) in the Minimum Total Probality of Misclassification rule for normal populations. The four classifiers are evaluated using the Olivetti Face Database varying their parameters in a wide range. In the experiments carried out to compare those approaches the new proposed classifier reached the best recognition rates and showed to be less sensitive to the choice of the training set.