人脸识别是图像处理和模式识别领域中的一个重要课题。在全球近67亿人中，我们竟找不出完全相同的人脸。在人们对快速高效的自动身份验证要求日益迫切的当今，人脸识别具有重要的理论和应用价值。在大量来自模式识别、计算机视觉、神经计算、生理学等领域的研究人员对自动人脸识别艰苦工作40余年之后，能否设计出与人类一样具有人脸识别能力的自动机器仍然困扰着研究人员，这也使得人脸识别成为一个极具挑战性的课题。 本文分析和研究了大量近年来国内外关于人脸识别的学术文献，针对人脸识别中基于子空间的特征提取方法进行了深入的研究。实验表明本文研究及改进的特征提取算法对人脸识别是合理有效的，具有一定的理论价值与实用价值。本文的研究工作主要包括以下几个方面： 第一，在研究并实现已有的经典统计特征提取算法PCA及其核形式KPCA的基础上，对核分析的特性进行了研究和论述，阐述了核方法的模块性，为后续章节中将基于LDA及LPP算法的核化奠定了基础。 第二，针对小样本问题，在分析和研究LDA和DIDA算法的基础上，提出了基于样本方差和偏差均衡化改进的RLDA算法，并应用两种核函数将其发展成非线性核分析方法RKDA。 第三，应用最佳线性嵌入改进了局部保留投影算法，并将其发展成非线性的核方法。最后，通过加入样本类别信息，进一步将其发展成为有监督的方法。 第四，分析了实际的人脸识别系统，对本文涉及算法进行了实际应用可行性的评价分析。