对人脸识别的研究一直是图像和视频处理等领域关注的焦点,相对于车辆检测和识别等其它识别技术而言,人脸识别的应用并没有从真正意义上普及化,然而,在某些特定的应用领域中,人脸识别仍起到了至关重要的作用。因此,对人脸识别技术的研究引起了越来越多研究者的关注和挑战。对人脸识别而言,快速有效地提取人脸特征是实现识别的关键步骤。子空间分析方法,以其计算简单、描述性强、识别高效等特点,已成为该领域研究的主流方法。本论文围绕子空间分析方法在人脸识别中的应用进行了相关的研究,主要的研究工作和贡献如下：1.局部结构保持的鉴别分析方法(Discriminant Method Based on Local Structure Preserving)局部投影保持(Locality Preserving Projections, LPP)是一种局部特征提取算法,它能够有效地保留数据的局部结构。不相关保局投影鉴别(Uncorrelated Discriminant Locality Preserving Projections, UDLPP)在LPP的基础上考虑了类别信息,通过保留类内几何结构并最大化类间距离获得了良好的鉴别性能。本文结合UDLPP的思想,在UDLPP的基础上提出了一种局部结构保持的鉴别分析方法(Pattern Classification based on Local Structure Preserving, PCLSP),该方法结合了数据的类别信息以及数据的局部结构信息,通过最小化类内近邻分离度以及最大化类间近邻分离度来提高鉴别性能,从而进一步利用了数据的局部结构,提高了识别率。通过在ORL和YALE两个标准人脸库上实验验证了该算法的有效性。2.基于成对约束和稀疏保留的数据降维算法(Dimensionality Reduction Algorithm Based on Pair-wise Constraints and Sparsity Preserving)半监督学习是通过利用少量的有标签样本或成对约束等监督信息降维的一种学习方法,已在机器学习和数据挖掘领域得到广泛应用。结合以成对约束形式给出的监督信息和无监督信息,提出一种基于成对约束和稀疏保留的鉴别分析算法。通过成对约束信息来进行鉴别分析,利用稀疏表示方法保留数据在变换空间的全局稀疏结构。实验结果表明,与传统的特征抽取算法相比,该算法的识别效果更好,需要调节的参数更少,且鲁棒性较高。3.流形结构保持的传播半监督降维算法(Semi-supervised Dimensionality Reduction Based on Manifold Structure Preserving and Label Propagation)标签传播算法(Label Propagation, LP)是一种基于图的半监督学习算法,通过保持数据间的某些特殊结构,将部分有标签数据的标签信息迭代传递给无标签数据,直至获得全局的稳定状态。结合标签传播算法和线性鉴别分析提出了一种流形结构保持的传播半监督降维算法(Semi-supervised Dimensionality Reduction Based on Manifold Structure Preserving and Label Propagation, SDRMPP)。采用流行结构上的重构权重并结合己知的部分标签信息进行标签传播,利用传播后获得的全体软标签信息构造离散度矩阵实现鉴别分析,通过求解目标函数的最优值获得特征抽取空间,从而对未知类别标签的样本进行分类。在Yale和Feret两个标准人脸库上实验验证了该算法的有效性,尤其在只存有少量有标签样本的情况下,该算法仍能保持良好的分类性能。4.边界线性鉴别局部切空间排列的人脸识别方法(Marginal Discriminant Linear Local Tangent Space Alignment)针对局部切空间排列算法(Local Tangent Space Alignment, LTSA)应用于图像识别时存在的一些缺陷,如不能获得显式的映射函数,无法处理新增加的数据样本等,提出了一种边界线性鉴别局部切空间排列算法(Marginal Discriminant Linear Local Tangent Space Alignment, MDLLTSA)。算法使用样本的局部切空间排列,保持样本在低维嵌入的局部几何结构不变,同时融合监督信息使得同类边界散度最小和异类边界散度最大。通过求解多目标优化问题获得特征提取空间。与多种经典的特征提取方法相比,该算法既保持了局部几何结构,又提高了分类性能。