W 1997 roku Peter Belhumeur, João Hespanha i David Kriegman zaproponowali metodę fisherfaces, wykorzystującą liniową analizę dyskryminacyjną (LDA) i bardziej odporną na zmiany oświetlenia i wyrazu twarzy.
W 2001 roku Paul Viola i Michael Jones przedstawili szybki algorytm detekcji twarzy oparty na cechach Haara i metodzie AdaBoost, który umożliwił wykrywanie twarzy w czasie rzeczywistym i na lata stał się standardem w aparatach cyfrowych i kamerach. W tym samym okresie rozwijano metody oparte na lokalnych deskryptorach, takich jak lokalne wzorce binarne (LBP).
Era uczenia głębokiego (od 2014) W 2014 roku badacze Facebooka opublikowali system DeepFace, oparty na głębokiej splotowej sieci neuronowej trenowanej na czterech milionach zdjęć, który na zbiorze testowym Labeled Faces in the Wild (LFW) osiągnął dokładność 97,35%, zbliżoną do ludzkiej. Rok później system FaceNet firmy Google wprowadził funkcję straty typu triplet loss i jednolitą przestrzeń osadzeń, uzyskując na LFW dokładność 99,63%. W latach 2018–2019 dominującym podejściem stały się funkcje straty z marginesem kątowym, takie jak CosFace i ArcFace, a w latach 2020. rozwijane są architektury oparte na transformerach wizyjnych oraz trening na danych syntetycznych.