人脸识别作为计算机视觉以及模式识别研究的一个重要子领域,它具有重要的理论研究意义和实际应用价值。近年来,人脸识别系统已经可以较为准确地在某些限定的条件下对人脸图像进行识别,但在实际应用中还面临着很多困难,其采用的识别方法尚需进一步改进和完善。鉴于此,本文对人脸识别技术中的三种主流方法(PCA方法、贝叶斯方法和LDA方法)进行了深入的研究,提出了相应的改进方法。本文的主要贡献如下：(1)PCA是重要的降维方法之一,它能用空间的主成分来逼近原空间。通常,PCA需要将一幅图像转化为一个高维向量,这个高维向量生成一个高维的协方差矩阵,这个高维的协方差矩阵导致计算的复杂性增加和存储空间也增大。和经典的PCA相比,2DPCA直接利用二维图像计算协方差矩阵,这个协方差矩阵的维数较小,它减少了计算的复杂性和节约了存储空间。尽管2DPCA促进了人脸识别技术的发展和进步,但相对于PCA生成的高维的协方差矩阵而言,2DPCA生成的协方差矩阵空间结构小,丢失了一些信息,这些丢失的信息对人脸是识别非常重要。为了利用更多的鉴别信息,本文提出了一种人脸垂直对称的变形2DPCA算法(S2DPCA),该算法与PCA相比降低了计算复杂性,与2DPCA和PCA相比提高了人脸识别率。(2)因为S2DPCA比2DPCA有更高的自由度,所以它对小样本问题非常敏感。为了进一步提高S2DPCA方法的性能,本文提出了一种加权变形2DPCA的人脸特征提取方法(WV2DPCA)。该方法首先将人脸图像分为三个子图像(眉毛以上的部分、眉毛和鼻尖之间的部分和鼻尖以下的部分),接着对各子图像进行特征提取,最后根据每个子图像在人脸分类中的权重,利用加权最近邻分方法进行分类。该方法有三个优点：能减轻小样本的影响,提高人脸识别率,减小计算的复杂性。(3) WV2DPCA方法中的权值大小是根据样本粗略估计,不够准确。为了解决以上问题,本文提出一种自适应加权变形2DPCA方法(AWV2DPCA),该方法直接将人脸图像分割成若干个子图像集(相同位置的子图像形成一个集合),然后根据相似性原理自适应地计算每个子图像集在分类中的权重,最后根据加权最近邻方法计算测试样本的类别。该方法的优点是：权重的大小自适应样本的类别。(4)传统贝叶斯空间的人脸识别算法一般是假设样本空间满足高斯分布,实际上样本空间是很复杂的,并不一定满足高斯分布。为了适应人脸复杂的空间变化,本文提出了一种基于二值数据的贝叶斯子空间的人脸识别算法,该算法将图像二值化；然后假设各样本的特征空间变量相互独立,计算类条件概率；最后根据贝叶斯公式求后验概率。它克服了传统贝叶斯方法难求类内和类间协方差矩阵的缺点,简单易用。为了进一步提高识别效果,提出了最小风险贝叶斯决策的二值化人脸识别算法,该算法根据图像的相似性估计其损失函数,利用贝叶斯公式求最小风险,最后根据最小风险判断其所属类。该算法增大类间距离,提高人脸正确识别率。(5)线性判别分析法(LDA)在进行高维的人脸识别时,经常会出现“小样本问题(SSS)”和边缘类重叠问题。鉴于此,本文提出了一种可调控参数的LDA人脸识别方法。该方法重新定义了类内离散度矩阵,利用参数平衡其特征值估计的偏差和方差,从而解决小样本问题；对类间离散度矩阵加权,使边缘类均匀分布来防止边缘类的重叠,从而提高人脸正确识别率；实验表明,该方法可以解决小样本问题,且其性能优于传统的Eigenfaces和Fisherface等方法。在此基础上本文还提出了一种人脸本征空间的特征提取算法,该算法将类内离散度矩阵的特征空间分解为二个子解空间(主成分子空间和零子空间),利用本征谱模型对二个子空间进行正则化,从而减轻了不稳定性、过拟合和推广能力差的问题。实验表明,该算法使用较少的特征维数就能达到其它方法相同的识别率。