人脸识别是一个跨学科富有挑战性的前沿课题,研究的主要内容是如何使得计算机具有辨识人脸的能力。人脸识别涉及的技术很多,其中关键在于特征提取和分类方法,本文以此为重点进行了相关的研究。非负矩阵分解(NMF)算法和局部非负矩阵分解(LNMF)算法是基于局部特征的特征提取方法,已经成功用于人脸识别。但是NMF算法在人脸识别方面的识别率较低,LNMF算法虽然在一定程度上提高了识别率,但是其代价是增加了迭代次数。另外,两种算法都未能很好的解决非线性可分问题。论文将核方法与LNMF算法相结合,提出了核局部非负矩阵分解(KLNMF)算法,首先通过非线性变换将原始空间映射到高维空间,使得样本线性可分,然后再用LNMF算法提取人脸特征。在分类决策部分,论文提出了自己的分类决策规则,并设计了基于NMF子空间的分类器。本文使用iris数据和ORL人脸数据库,对KLNMF算法进行多方面性能分析,并与NMF、LNMF算法相比较。实验结果表明KLNMF算法能够有效解决非线性可分问题,不仅在很大程度上提高了识别率,而且避免了迭代次数的增加。