近几十年来，人脸识别始终是计算机视觉及人工智能研究中最重要的难题之一，其吸引了无数研究工作人员的研究兴趣。随着视频监控、流媒体、访问控制等应用的普及，视频人脸识别技术的需求正变得越来越迫切。基于视频的人脸识别方法可以利用视频中的时间及空间信息提高识别的准确度，成为了人脸识别领域的研究热点。考虑到流形学习方法在人脸识别领域的独特优势，而视频人脸相比于静止人脸则有更丰富的认知特征，其非线性数据的维数也就高，因此，很自然想到流形学习的算法应该可以在视频人脸识别问题表现优异。本文在前期对流形学习方法的优化研究基础上，致力于解决困扰流形学习方法应用于视频人脸识别时遇到的一些具体问题，找到使流形学习方法成功应用于视频人脸识别的有效途径。本文主要提出两种算法，一种是新型图嵌入算法及其稀疏优化，另一种是基于多流形学习算法。首先，视频人脸数据，由于环境光照变化，遮挡以及人脸姿态的变化等因素，呈现多态性，而每个子状态的人脸之间相似度较低。传统的图嵌入算法，不仅忽略了同一类数据各状态之间的同质信息，而且不能有效的使得不同类别之间很好的区分。因此，本文提出了一种新型的图嵌入算法，致力于解决保留人脸数据内在流形结构以及使得人脸数据类间具有更好的可分性。在研究稀疏子空间算法后，结合特征选择和子空间学习的思想，对提出的新型图嵌入基本算法进行稀疏子空间的优化。另外，在研究多流形学习的基础上，考虑到视频人脸的多流形结构，然而传统的多流形算法，都致力于获得一个低维映射来保留多流形的信息，本文提出了一种多子空间的多流形学习算法，即每一类人脸对应于一个流形子空间，然后通过对比流形子空间的相似度来确定测试数据的类别，该方法致力于保留更多人脸数据多态信息外，使得不同流形之间更有区分性。最后，本文通过在UCSD/Honda视频人脸数据库上，分别对提出算法进行实验，结果表明提出算法在在提高识别人脸识别准确率方面都有其价值。