人脸识别由于其自然、直观、非接触、安全、快捷等特点，是一项极具发展潜力的生物特征识别技术。人脸识别技术又是一个非常活跃的研究领域，涉及计算机视觉、模式识别、图像处理、机器学习和认知科学等多门学科。对人脸识别技术的研究具有重要的理论意义和应用价值。如何有效地从人脸图像中提取鉴别特征，是人脸识别需要解决的关键问题。子空间方法是目前众多特征提取技术中的主流方法。一般认为，人脸从某种意义上来说是一种流形结构，人脸数据集是由某些内在变量控制形成的非线性流形。基于流形学习的人脸识别研究引起了人们的广泛关注。本文在人脸识别的研究背景下，在不同的算法发展框架下，针对保局子空间特征提取方法中存在的样本扩展、参数自适应选择、判别扩展、非线性核扩展、非负扩展和小样本尺寸(SSS)等问题，进行了流形正则化判别特征提取的算法研究，并通过标准人脸数据库仿真实验验证了它们的有效性。本文的主要内容和创新之处可概述如下：1.针对线性判别分析没有考虑数据内在局部几何结构，难以有效应对对齐裁剪且具有较大照明、表情变化人脸识别问题的缺点，在图嵌入算法发展框架下，提出两种嵌入邻域关系的判别分析方法。其中零空间判别投射(NDPE)算法采用能够同时约简噪音和增强内在差的预降维方法，并有效地利用了类内局部散度矩阵零空间中的判别信息。为避免稠密矩阵特征分解并减少判别信息损失，进一步提出基于谱回归求解方法的正交保局判别映射(SROLPDM)算法。为提高识别性能，分别提出基于选择后的双树复小波特征与人脸图像特征的得分层和复数特征融合人脸识别方法。2.针对流形学习方法存在样本扩展并且没有充分利用样本类别标签信息，不适用于具有较大照明、表情或姿态变化人脸识别问题的缺点，在片排列框架内提出一种称为判别改进局部切空间排列(DILTSA)的特征提取方法。该方法基于改进型局部切空间排列(ILTSA)，分别保持类内与类间样本的局部几何关系并进行全局排列。所提方法采用散度差形式的目标准则，完全避免了小样本尺寸问题。为进一步提高识别性能，提出增强型Gabor-like小波，在此基础上提出以多分辨率小波特征或融合特征作为DILTSA输入的人脸识别方法。3.针对保局子空间特征提取的参数自适应选择和非负判别扩展问题，以具有较大遮盖或表情变化的人脸识别问题为应用背景，基于结合改进最大间隔准则和稀疏学习方法，设计判别形式的局部保持目标函数，首先提出称为最大间隔稀疏表示判别映射(MSRDM)的特征提取算法。在此基础上，结合非负矩阵分解(NMF)的部分表示特点，提出一种判别邻域间隔正则化非负矩阵分解(DNMRNMF)算法。该算法能够在最小化逼近误差的同时，使类内样本更加紧凑，类间样本更加远离。4.针对线性保局子空间特征提取方法，难以有效应对外观变化复杂人脸识别问题的缺点，提出一种正则化核判别局部样条嵌入(RKDLSE)特征提取方法。该方法基于对局部样条嵌入(LSE)的线性逼近和非线性核判别扩展，通过采用不同的方法建模局部类内和类间散度矩阵，采用类内散度矩阵特征值正则化的求解方法，解决了目标函数求解中的矩阵奇异问题。此外，基于新提出的WLTSA非线性降维方法，并以聚类中心作为算法输入，拓展RKDLSE用于图像集人脸识别。