人脸作为一种独特的生物特征，是一种易为人们所接受的、最常见的模式。而人脸识别是模式识别和机器视觉领域的一个热点研究问题，成为基于生物特征识别技术的身份认证中最主要的方法之一。由于人脸结构的复杂性、人脸表情的变化多样性，以及在成像过程中易受诸多因素的影响，又使得人脸识别这一课题极具挑战性。经过研究者多年的探索，现在已经涌现出大量的人脸识别算法。在研究人脸识别应用中，其性能取决于对输入空间特征提取的有效性。由于所处理数据具有维数高的特点，很容易出现所谓的“维数灾难”问题。本文对人脸识别的线性流形学习算法进行研究，充分利用人脸的自然特征以及实际可获取的先验已知信息，得到两种改进的人脸识别线性降维算法。通过在人脸库中的实验结果表明算法的有效性。本文的主要工作和成果包括以下几个方面：　　 ⑴通过广泛的查阅文献，对人脸识别有关的算法进行比较全面的综述。本文首先简要地回顾了人脸识别研究的历史和发展现状，之后对人脸识别中一些主要算法作了详细地比较说明，重点介绍了最近几年人们比较关注的一些改进的线性降维算法。　　 ⑵介绍一种改进的人脸识别方法——基于完全二维对称主成分分析法。首先由镜像变换得到镜像样本，然后根据原始人脸样本和相应的镜像样本矩阵直接计算得到奇偶对称样本的特征矩阵，通过奇偶加权因子对奇偶对称样本的特征矩阵进行组合，最后采用最近邻距离分类器来分类，在ORL人脸数据库中的实验表明了该方法的有效性。　　 ⑶针对半监督降维算法不能更好的保留图像特征且算法运行速度慢的缺陷，改进得到一种半监督双向降维的人脸识别方法。与半监督降维相比，该方法不仅直接利用原始图像矩阵分别从两个方向上构造两个协方差矩阵，很好的保留图像的特征，而且能考虑低维的全局协方差结构，较好的保持成对约束及未标记数据在低维的结构。在ORL人脸库和Yale人脸库中的实验表明，该方法能有效的提高识别的速度，并可获得更好的识别性能。