近年来,人脸识别成为了生物特征识别领域中的一个热门研究课题。当今社会,人脸识别已经广泛应用与军事、经济、交通、公共安全等领域,并且取得了良好的作用,引起了国内外的广泛关注。鉴于此,人脸识别有着巨大的理论研究意义和实用价值,未来的前景非常良好。一种人脸识别算法是否有效并且实用,关键取决于该算法是否能够快速精确的提取有效的识别特征,在数据降维的过程中如何保持样本的内在结构不变而把数据映射到低维空间中去。在人脸识别发展研究现状的基础上,通过对数据降维和子空间分析方法的研究,本文提出了一些人脸识别算法并且在人脸数据库上取得了良好的识别效果。在经典的线性和流形特征抽取算法的基础上,本文做了一些改进和创新,着重进行了如下几方面的研究：(1)基于局部排序PCA的线性鉴别算法(Modular Sorting Principal Component Analysis, MSPCA)分块排序PCA方法先对图像矩阵进行分块,对所有分块得到的子图像矩阵利用PCA方法求出矩阵的所有特征值所对应的特征向量并加以标识,然后找出这些所有的特征值中k个最大的特征值所对应的特征向量,用这些特征向量分别去抽取所属的子图像的特征。最后,在MSPCA的基础上,将抽取子图像所得到特征矩阵合并,然后把这个合并后的特征矩阵作为新的样本进行PCA+LDA。由于使用子图像矩阵,分块排序PCA可以避免使用奇异值分解理论,更加简便,加强了局部信息在识别算法中的作用,相比PCA方法在分类和识别性能上有了长足的进步。ORL人脸数据库上的实验结果与分析表明,MSPCA算法快速有效的对样本数据进行了特征抽取和分类识别,与PCA方法相比提高了识别效率,识别率也得到了较大的提升。(2)基于加权最大间距准则的局部保持投影(Locality Preserving Projection Based On Weighted Maximum Margin Criterion, WMMCLPP)LPP算法本质上是一种无监督的算法,没有利用样本的类别信息。基于此,本章提出一种基于加权最大间距准则的局部保持投影。首先对原始样本进行PCA降维,然后通过计算每个样本点到该类样本中心的距离定义每个样本点的权重矩阵,通过定义的权重矩阵重新定义每类样本的均值、类间散度矩阵和类内散度矩阵。然后将重新定义的加权最大间距准则的目标函数作为调节因子加入到LPP算法中去求解最优化的问题。最后用求取出来的最终准则函数构建对称矩阵以解决最优投影向量非正交的问题。Yale和ORL人脸数据库上实验结果与分析表明,与传统的特征抽取方法相比,WMMCLPP算法的识别性能更加良好。(3)基于近邻局部保持投影的线性鉴别分析(Linear Discriminant Analysis Based On Neighborhood Locality Preserving Projection, NLPPDA)经典的流形学习方法无法如线性特征提取方法那样获得新样本的低维投影。流形学习方法的线性化很好的解决了这个问题。基于此,本章提出一种基于近邻局部保持投影的线性鉴别分析。首先对原始样本进行PCA降维,然后引入LPP算法的思想求取样本的近邻点,将样本的近邻点分为两类：一类是和该样本点属于同类的所有样本点组成的集合,一类是和该样本点属于不同类的所有样本点组成的集合。然后用前者集合重新定义类内散布矩阵,用后者重新定义类间散布矩阵,然后改进NRLDA算法的目标函数,添加约束条件,将样本到类内近邻点之间的距离标准化。NLPPDA算法既保持了样本的局部几何结构信息又保留了样本的有监督信息。Yale和ORL人脸数据库上实验结果与分析表明,与传统的特征抽取方法相比,NLPPDA算法的识别性能更加良好。