人脸识别和表情识别研究工作一般分为三个步骤：人脸检测、人脸特征提取以及分类与识别。而人脸特征的提取是整个过程中较为关键的环节。本文以模式识别中的特征子空间思想为主要研究方法，系统地研究了人脸特征提取技术。人脸特征子空间方法的基本思想是找到能够表征人脸特征的子空间，不同的方法对于特征的提取，有不同的特点。PCA、ICA、NMF和LNMF这四种子空间方法中，相对而言，PCA主要提取的是人脸图像的整体信息，而其他三种方法能够提取出图像的局部信息，其中LNMF提取人脸图像局部信息的能力最强。因为每种方法的机器学习过程不尽相同，其得到的基图像和重构图像也各有不同的特征。同时每种方法对其本身的基向量的个数要求以及系数矩阵的约束条件不同，其收敛方式和收敛速度也有所差异。在实际应用中，四种方法都可以应用到人脸识别和表情识别中，识别率与其基向量的个数以及迭代的次数有关。其中，LNMF达到收敛所需要的基向量个数较少，并且用来重构图像所需的基向量的个数也较少。在基向量个数相同的情况下，LNMF的识别率也比较高。但是其达到收敛所需的迭代次数较多。子空间提取出来的特征，通常是人脸的最佳描述特征，但并不一定是最适合于分类的特征。而判决分析可以总结为：找到一个能够返回某种度量值的函数，而且该度量值能够成为区分样本不同类别的依据。这些依据可以用来训练分类器，或者提取特征。因此，判决分析可以理解为一种监督学习或者特征提取方式。NKFDA就是这样一种基于零空间的核函数Fisher判决分析，这种方法结合了核函数与线性判决分析以及零空间思想，能够挑选出人脸特征子空间中有利于分类的特征，所以可以和子空间方法结合起来应用到人脸识别和表情识别等实际的分类问题。通过对ORL图像库中的人脸图像进行人脸识别实验，以及对Cohn-Kanade图像库的表情图像进行的表情识别实验，表明了将子空间方法和NKFDA结合的有效性和合理性，针对上述的实验，都取得了比较好的实验结果，优于单纯的子空间方法。其中LNMF结合NKFDA的方法，识别效果最佳。同时，为了验证光照和分辨率等外界条件对其识别结果的影响，本文也进行了相应实验，结果表明该方法对于光照条件和图像分辨率具有较强的鲁棒性。