人脸因为其具有的一些特点，比如直观性、非接触性、快捷性等，成为当前模式识别和人工智能领域最为关注的生物特征之一，因此随着科技的发展，人脸识别技术也在不断发展中。然而由于人脸结构的复杂性，和丰富的人脸表情，以及人脸图像采集环境的不固定，导致人脸机器识别仍很难得到广泛的应用，是一个具有很大挑战性的课题。而人脸数据是非线性的，且有学者认为人眼的视觉感知的存在形式是流形，则将流形学习这一非线性降维算法用于人脸识别在理论上是可行的。在机器学习与模式识别领域之中，对于流形学习在人脸识别中的应用的研究一直占据着一个重要位置，吸引着很多学者的目光，它的主要目的就是获得潜藏在高维空间中的有效数据信息，而这些信息被认为存在于低维流形之中。本文研究的主要目标是对流形学习算法进行改进，并在人脸数据库上进行实验，获得较好结果，对两种方法进行了改进，主要的贡献如下：1．对局部切空间排列算法进行了研究和改进，主要对于该算法的首要步骤，近邻点的选择进行了改进。将用于局部线性嵌入的Cam权重距离代替欧氏距离来度量样本点间的相似度，以获得更为合理的样本点的邻域，将该改进的流形学习算法在人脸数据库上进行实验，提高了最终识别率。2．对局部线性嵌入的邻域选择方法进行了改进，主要是将在人脸识别中有较好表现的最近特征空间分类器用于邻域的选择之上，其带入了样本的类别信息，由于非监督的局部线性嵌入算法不能有效的利用样本的类别信息，故将其改进为监督算法，能够获得较为合理的邻域结构关系，对降维结果有有利的影响，将该改进的监督算法在人脸数据库中进行实验，提高了最终识别率。