人脸识别是模式识别和计算机视觉中的一个研究热点。在实际应用中，由于人脸图像是较为复杂的，因此需要对它进行数据降维，以避免维数灾难问题，这一过程也称为特征提取。在众多特征提取算法中，基于子空间的算法由于计算量小、识别效果好而得到广泛的关注。传统的线性子空间算法由于是基于欧式空间的，因此不能挖掘人脸图像中隐藏的流形结构；而流形学习不能映射新样本，因此不能用于模式分类；而基于流形学习的线性化版本一方面考虑了样本的流形结构，又有一个映射矩阵能处理新样本，因此在模式识别中已大显身手。　　论文首先对人脸识别的概况进行了简单介绍，分别从研究背景、应用、存在的一些问题、国内外研究现状出发对人脸识别进行阐述，对众多的人脸识别算法归纳为：基于几何特征的人脸识别方法、基于弹性图匹配的人脸识别方法、基于子空间的人脸识别方法、基于神经网络的人脸识别方法、基于支持向量机的人脸识别方法、基于隐马尔可夫模型的人脸识别方法。　　其次，论文对目前存在的特征提取算法进行了介绍，从传统的线性化算法、流形学习和流形学习的线性化进行介绍，特别对流形学习的线性化算法进行详细介绍。　　最后，提出了基于 Log-Gabor和正交邻域判别嵌入的人脸识别和基于核空间正交邻域判别嵌入的人脸识别。其中正交邻域判别嵌入算法，可以选择最具判别力的基向量来构造子空间，此外具有正交性的算法更利于保留人脸非线性子流形空间与距离有关的结构信息和重构样本。为了有效处理非线性结构数据，核空间正交邻域判别嵌入将原始邻域判别嵌入向高维空间扩展，将邻域判别嵌入算法发展为非线性算法。在得到核空间邻域判别嵌入算法后，为消除核空间映射至低维空间的投影向量间的信息冗余，对基向量添加正交约束，提出核空间正交邻域判别嵌入算法。