特征提取是模式识别研究中的基本问题之一。对于人脸识别而言,提取有效的人脸特征是实现人脸识别任务的一个关键环节。在众多的人脸特征提取方法中,子空间学习方法由于其计算简单、有效性高等优点受到了广泛的关注并得到了大量的研究。主成分分析(PCA)和线性鉴别分析(LDA)是两种典型的子空间分析方法,已经在人脸识别中取得了较好的效果。然而,由于PCA和LDA都是建立在样本分布于线性流形的假设之上的,因此,这就与“人脸样本很可能是分布在一个嵌入到高维空间的低维非线性子流形上”的研究结果相违背。近年提出的保局投影(LPP)是经典流形学习方法拉普拉斯特征映射(LE)的线性逼近,它通过保持样本在降维前后的局部近邻关系实现了对样本流形分布的描述,为此,该方法在很多领域得到了广泛的应用。同时,大量的理论分析和实验已经证实:在处理模式分类问题时,基于可分性准则的鉴别分析方法具有其自身的优势。因此,结合流形学习和鉴别分析进行特征提取是当前的研究热点。研究者们已经提出了一系列流形鉴别子空间分析方法,并成功应用于人脸特征提取。然而,目前大多数流形子空间分析方法仍然是线性的特征提取方法,对高度线性不可分对象(如人脸图像)的处理能力有限。另外,当输入空间样本的近邻关系描述不准确时,这些方法就不能很好的反映样本集本身的特性。为了解决上述问题,本论文以保局投影和鉴别保局投影为基础,结合核技巧、全子空间分析、特征正则化以及图优化等,对保局鉴别子空间人脸特征提取方法开展了深入的研究。论文主要在以下三方面开展了具有特色的研究工作:①鉴别保局投影方法在一定程度上保持了样本的非线性特性,但本质上仍然是线性的特征提取方法;而人脸图像由于受光照、背景及成像条件等外部因素以及年龄、表情、姿态等内在因素的影响,具有很高的可变性,进而在图像空间呈现出高度的线性不可分性。因此,鉴别保局投影(DLPP)在用于提取人脸特征时,受限于其线性特性而表现不佳。为此,作者结合核技巧,在DLPP的基础上提出了一种非线性特征提取算法——主元空间核保局鉴别分析(PKLPDA)算法。该算法首先利用非线性映射将输入空间内线性不可分的数据投影到高维特征空间,并在高维特征空间内提取保局鉴别特征。PKLPDA算法融合了保局投影、鉴别分析和核映射的优点,提高了处理高度非线性对象的能力。②鉴别保局投影是一种鉴别分析方法,为了避免高维小样本问题,在求解过程中通常会加入PCA降维作为前处理。而PCA降维过程在降低数据维度、减少噪声和冗余的同时也伴随着鉴别信息的丢失。另一方面,有限的人脸样本还会带来保局类内散布矩阵的小特征值和零特征估计不稳定、不准确的问题。为此,作者结合特征正则化,提出了正则化保局鉴别分析(RLPDA)算法。该算法将整个保局鉴别特征空间划分为三个子空间,并针对每个子空间不同的特性进行不同的正则化,从而实现了鉴别特征的完全、有效利用,并回避了小样本问题。③与其他的图嵌套降维方法一样,保局投影的近邻图也是预先定义的,且与降维过程相互独立。该近邻图的构造仅依赖于原图像空间内的近邻关系以及涉及到的参数。当原空间内的近邻关系对整个数据集的描述不准确或者参数选择不当时,所得到的近邻图也就不准确。在这种不准确的近邻图基础上对数据进行降维处理可能无法得到预想的结果。为此,作者结合图优化策略及有监督学习思想,提出了有监督图优化保局投影(SGoLPP)算法。该算法通过将描述近邻图的权值矩阵作为优化项引入到特征降维的目标函数中,实现了对权值矩阵和投影矩阵的同步优化,并利用类别信息确保在更新的过程中异类样本点对对应的权值为零,从而大大降低了异类样本的干扰,使得到的权值矩阵能更好的反映原始数据集的类别分布。通过在ORL、UMIST、CMU PIE、Yale和FERET等标准人脸图像库上的大量人脸识别实验证实:上述提出的几种保局鉴别子空间人脸特征提取算法的识别性能均优于LDA、LPP、DLPP、NDLPP、DLA、ERE、KFDA、GoLPP等常用的子空间分析算法,验证了上述方法的有效性。同时,上述研究工作已经在《Neucomputing》、《仪器仪表学报》、《光学精密工程》等国内外期刊以及《LNCS》、《Proceedings of SPIE》等国际会议论文集上得到发表或录用。