本文重点研究了两种特征提取技术：核方法和流形学习算法，在深入分析现有理论和相关算法的基础上，提出了两个改进的特征提取算法并应用于人脸识别。　　 作为人脸识别的基础，本文首先介绍了线性子空间方法中的PCA、LDA算法，对其原理、算法进行了概述。其次，介绍了非线性核方法中的KPCA、KFDA算法。然后，又对流形学习算法进行了深入系统的研究。介绍了当前具有代表性的流形学习及其特征提取算法，等距映射（Isomap）、局部线性嵌入(LLE)、拉普拉斯特征映射(LE)、局部保持映射(LPP)、局部鉴别投影(LDP)，并从理论上分析了这些算法的性能特点。　　 在上述理论基础上，本文提出了两个改进的特征提取方法并将之应用与人脸识别，分别是：基于有监督流形学习算法的中心局部保持映射和基于核函数的正则化鉴别分析。中心局部保持映在局部保留映射的基础上，引入了有监督学习的概念，根据人脸样本在空间中的分布情况，提出了保留中心结构的鉴别投影并将其应用于人脸识别；该方法将有监督学习和空间流形结构的保持相结合，既有效地从训练样本中提取出样本的鉴别信息，又考虑了样本的空间分布特性。基于核函数的正则化鉴别分析提出了一个新的准则以确定在正则化和核函数选择过程中出现的不定参数。在AR库、FERET库上的实验证明了这两个方法的有效性。