特征提取是图像识别问题中最重要的任务之一，在人脸识别应用中，如何去除鉴别特征的冗余显得非常有意义。为了更好的去除鉴别特征的冗余，本文重新设计一种总体散布矩阵，提出了一种基于Fisher线性鉴别分析的统计不相关约束人脸识别方法。该方法在改良的统计不相关约束的基础上通过最大化Fisher准则，迭代的求解出最优的鉴别向量集。基于这个理论，我们又进行了核拓展，最后利用二维鉴别的思想，进一步的改进了我们的算法。我们首先提出了一种基于局部的统计不相关鉴别变换(LUDT)。LUDT通过重新定义每个样本的期望来构建总体散布矩阵，即用样本的近邻中心来替代全局中心,同时构建出改良的统计不相关约束。然后提出了一种基于全局加权的统计不相关鉴别变换(WGUDT)，WGUDT重新定义每个样本的期望来构建总体散布矩阵，即用样本间的欧几里得距离加权来构建期望，在新的散布矩阵基础上构建出另外一种改良的不相关约束。我们提出的这两种基本方法都有效地去除了鉴别特征的冗余。在改进的总体散布矩阵的基础上，我们提出了一种基于局部和全局加权的核统计不相关鉴别变换，该方法在核统计不相关约束的基础上迭代求解鉴别向量集。利用二维鉴别的想法，提出了一种基于局部和全局加权的二维统计不相关二维鉴别变换，该方法在二维统计不相关约束的基础上迭代地求解出鉴别向量集。因为直接计算散布矩阵而不需要对图像矩阵列向量，不仅避免了散布矩阵奇异问题，同时也提高了识别的速度。在改进的总体散布矩阵的基础上，我们提出了一种基于局部和全局加权统计不相关方法的多任务学习算法，该方法利用多个任务来实现分类。当训练样本较少的时候，该算法首先求解出局部和全局加权统计不相关投影变换，然后利用其它任务来间接地提高投影变换的鉴别能力。在AR、FERET和CAS-PEAL人脸数据库上的实验结果表明了本文所提出方法的有效性。