人脸识别作为一种生物特征识别技术，近年来成为模式识别与图像处理领域的研究热点，在公共安全、身份认证、财经信息以及公共管理等众多领域得到广泛的应用。尽管目前有很多有效的人脸识别算法，但由于图像数据集具有高维性与小样本性，类内变化大于类间变化以及特征空间结构复杂等特点，没有任何一种方法能适用于所有的情况。将多种识别方法有效结合，提高算法的鲁棒性，具有广泛的实用价值和深远的理论意义。子空间分析由于可描述性强、有效性高，已成为人脸识别最重要的研究方法。本文以线性子空间特征提取为基础，利用半监督学习并结合SVM核、离散余弦变换（DCT）、可控金字塔小波变换（SPT），对人脸识别进行了深入研究。本文的研究工作主要有以下几个方面：（1）分析了基于线性子空间的主成分分析（PCA）与线性判别分析（LDA）两种识别方法，针对其存在的高维数据难于执行以及小样本问题，利用DCT变换的频率特性以及少量标记样本约束信息，研究了两种半监督DCT识别算法：约束聚类最优DCT系数选择（CCODCT）算法以及半监督判别力分析（SSDPA）算法。CCODCT算法根据DCT频率分布特征，采用预掩模降低数据维数，提取中低频有效信息以降低计算代价；根据约束信息对投影的DCT系数进行半监督聚类，以提高算法的识别率；计算判别系数值（DC），按照DC值的大小，选择最优掩模进行特征投影。SSPDA则在预掩模的基础上，计算投影的DCT系数半监督判别力（SSDP），根据SSDP进行特征投影。实验结果表明，CCODCT与SSDPA算法的识别率高于传统方法；有效地解决了LDA因为小样本问题而维数受到限定的缺点。（2）针对子空间分析方法对光照变化敏感问题，研究了一种基于局部图像增强的有监督DCT算法。首先通过局部图像对比度增强补偿不均匀的光照，将图像表示为对数域内的对比度增强灰度图像，以提高图像中重要但未观察到的纹理；然后将增强的对比度图像划分成块，利用DCT的频率特征，选取每块的低频重要特征，并将其进行组合，得到候选特征向量以降低数据的维数；根据类别信息，计算候选特征的块判别力，进行特征投影。实验结果表明该算法的性能优于传统算法，能够有效解决不均匀光照的影响以及LDA的小样本问题，并且计算代价较低，提高了人脸识别的效率以及准确率。（3）针对子空间判别分析方法中存在的每类中共同协方差、特征空间维数不明确以及识别率低的局限，研究了一种支持向量直接判别分析（SVDDA）的非线性子空间特征提取算法，利用支持向量机核方法，将支持向量与子空间特征提取有效结合，优化特征值问题的求解过程；修改判别标准解决小样本问题，有效地提高人脸识别系统的识别率和鲁棒性。实验结果表明，与相关的子空间非线性核特征提取方法相比，SVDDA的性能优于其他方法，验证了算法的有效性与可靠性。（4）针对小波变换方法存在计算复杂度较高、不能在所有方向进行分解以及子带尺度限制，研究了一种可控金字塔半监督局部判别（SPSLD）算法用于人脸识别。通过计算分割可控金字塔子带获得的每个子块的统计信息，提取局部信息，并对每个子带获得的局部特征进行组合，降低数据维数；利用少量标记数据，进行半监督局部判别分析以提升人脸识别的性能。将提出的方法与相关的全局特征识别方法以及其它多分辨率小波变换方法进行了比较，实验结果表明SPSLD的性能优于其它方法，对表情，光照具有较高的鲁棒性。