人脸识别一直是生物识别领域的研究热点，在虚拟现实、图像处理和模式识别等学科都得到了广泛的研究。人脸识别由人脸检测、人脸特征提取、分类器设计三大部分组成，其中人脸特征提取是最重要的部分。子空间分析方法可被用于特征提取，分为线性子空间分析和非线性子空间分析。其中非线性子空间分析就是核方法与线性子空间分析的结合。核方法实现了在高维空间数据线性可分的同时用低维空间的核函数计算高维空间的向量内积，解决了维数灾难。　　Gabor滤波被广泛地与非线性子空间方法结合并被应用于人脸识别。直接计算对应于一些方向（如8个）和一些尺度（如5个）的Gabor系数（如40个）需要大量的时间消耗，且内存复杂度高。Ashraf等提出一种替代性的方法来绕过整个Gabor滤波的计算，以此解决上述问题（为了简便，在文章的后面称之为隐式Gabor方法）。他们将此方法与线性支持向量机方法结合应用于表情识别。　　本文将隐式Gabor方法与非线性子空间方法（包括核主成分分析KPCA和核判别方法KDA）结合，并且在公共的FERET、ORL和YALE人脸数据集上进行了人脸识别的测试实验，将提出的方法（隐式Gabor+KPCA和隐式Gabor+KDA）与传统的方法（Gabor+KPCA和Gabor+KDA）从识别率和识别时间两方面比较。结果表示：新的方法保持了与传统方法相一致的高识别率的同时，识别时间大大缩短，也就是说本文提出的方法能够有效地减少特征维数，降低内存复杂度，提升识别效率。