El reconocimiento facial y la identificación son aplicaciones muy importantes en el aprendizaje automático. Debido a la creciente cantidad de datos disponibles, los enfoques tradicionales basados en la matricización y los métodos de PCA de matriz pueden ser difíciles de implementar. Además, los enfoques tensoriales son una elección natural, debido a la mera estructura de las bases de datos, por ejemplo en el caso de las imágenes en color. Sin embargo, aunque varios autores han propuesto estrategias de factorización para tensores, el tamaño de los tensores considerados puede plantear algunos problemas serios. De hecho, la parte más exigente del esfuerzo computacional en problemas de reconocimiento o identificación reside en el proceso de entrenamiento. Cuando solo se necesitan algunas características para construir el espacio de proyección, no es necesario calcular un SVD en todos los datos. En este manuscrito se consideran dos versiones del algoritmo tensorial de Golub-Kahan, como alternativa al uso clásico del SVD tensorial que se basa en estrategias truncadas. En este documento, consideramos el método de Análisis de Componentes Principales Tensorial Tubal Golub-Kahan cuyo propósito es extraer las principales características de las imágenes utilizando la descomposición de valores singulares tensoriales (SVD) basada en el producto coseno tensorial que utiliza la transformada discreta del coseno. Este enfoque se aplica para la clasificación y el reconocimiento facial y las pruebas numéricas muestran su efectividad.