人脸识别是生物特征识别领域的一个活跃方向,主要任务是根据人脸图像中的有效鉴别信息进行个体的身份识别。在人脸图像识别过程中,由于原始的图像样本数目较少且维数较高,如何提取关键特征进行维数约简与识别一直是该领域研究的一个难点问题。流形学习是当前模式识别与计算机视觉领域的一个研究热点,其主要目标是发现高维空间数据的低维光滑流形,并求出相应的嵌入映射,以实现维数约简或者数据可视化。尽管基于流形学习的特征提取算法已被广泛应用于人脸识别问题,并且取得了良好的性能,但仍存在参数选择、噪声敏感、判别力不足等问题。本文针对这些问题进行了深入分析,并提出了几种新的特征提取方法,主要工作及创新点如下：(1)针对几种典型的局部保持策略存在的判别力不足等问题,提出了局部最大间距鉴别嵌入(LMMDE)特征提取方法。LMMDE在保持样本局部结构的同时,考虑位于同一流形上不同类样本的差异性,有效解决了因近邻关系扭曲而引起的不同类样本相互重叠的问题。另外,LMMDE基于最大间距准则定义目标函数,成功避免了“小样本”问题。(2)在线性鉴别分析(LDA)算法与鉴别局部保持投影(DLPP)算法的基础上分别提出了最小距离鉴别投影(MDP)算法与鉴别局部中值保持投影(DLMPP)算法。LDA是一种基于样本全局结构的算法,无法刻画样本间的近邻关系。针对此问题,MDP通过在LDA目标函数中引入样本的类内与类间相似度刻画样本的近邻关系：类内相似度能够度量样本与类内中心的距离关系,而类间相似度不仅能够反映样本与类间中心的距离关系而且能够反映样本类间距与类内距的大小关系。针对DLPP无法充分利用图像信息及相似性度量问题,DLMPP利用各类样本计算出每类样本的类中值,有效地保留了图像信息,同时设计了一种不同的相似性度量机制,以易于保持受噪声影响较小的类内样本之间的邻域关系,从而进一步加强识别效果的鲁棒性。(3)针对大多数流形学习算法构图时面临的参数选择问题,提出了一种无参数的构图策略。该策略能够自适应地获取样本的近邻点并利用余弦距离配置相应的边权,在整个图构造过程不依赖任何参数,使得整个图学习过程相较于传统的k-近邻图更加高效、简洁。结合该策略与局部保持投影(LPP)算法,提出了一种无参数的局部保持投影(PLPP)算法。另外,考虑到样本的类别信息在分类工作中的促进作用,通过在PLPP的目标函数中引入样本的类别标签,提出了监督的PLPP (SPLPP)算法。(4)针对边界Fisher分析(MFA)算法在构造内蕴图与惩罚图时面临的近邻参数选择问题,提出了最近邻分类器驱动的边界鉴别投影(NN-MDP)算法。受最近邻分类器决策规则启发,该算法以减少最近邻分类器产生的识别误差为指导思想构造内蕴图与惩罚图。与MFA相比,NN-MDP能够自适应地构造内蕴图与惩罚图而不依赖于任何参数,因此大大降低了计算复杂度,同时由于以减少最近邻分类器产生的识别误差为目的构造目标函数,因此利用NN-MDP提取的特征更适用于最近邻分类器。