在生物识别问题中,特别是人脸识别领域,由于原始图像的维数相当高,直接在原始图像的基础上进行处理,将加大算法的复杂度,并且对计算机的硬件性能也是一个挑战,因此特征抽取成为该领域最基本的问题之一,抽取有效的鉴别特征是解决该问题的关键。特征抽取的基本思想是将原始样本映射(或变换)到某一低维特征空间,得到最能反映样本本质的低维样本特征,这样能有效地减少样本的存储量和处理速度,实现人脸的自动分类。到目前为止,人们已给出了许多线性特征抽取方法,如主成分分析(PrincipalComponent Analysis,PCA或称K-L变换),Fisher线性鉴别分析(Linear DiscriminantAnalysis,LDA),独立成分分析(Independent Component Analysis,ICA)是特征抽取的几种经典和广泛使用的方法。本文研究工作主要如下:(1)在二维主成分分析的基础上,我们利用人脸图像的对称性,提出了基于对称二维主成分分析的特征提取方法;(2)在线性鉴别分析的基础上,我们利用模糊集理论,提出了基于完备模糊LDA的特征提取方法;(3)在间距最大准则的基础上,我们考虑了样本分布的潜在流形结构,提出了基于拉普拉斯间距最大准则的特征提取方法;(4)在非监督鉴别投影的基础上,我们利用核技巧,将非监督鉴别投影推广到核空间,提出了基于核非监督鉴别投影的特征提取方法。