人脸识别作为生物特征识别的一种,在公共安全、身份验证、自动跟踪、数字视频处理等方面有着非常广泛的应用。由于现代计算机科学技术的进步,人脸识别技术已经成为人工智能领域所研究的重点课题之一在诸多人脸识别算法中,基于代数特征的识别算法有着相对较低的计算复杂度而受到广泛的关注。由于光照条件、表情变化等外部条件的影响,基于代数特征的算法识别率还有很大地改善和提升的空间。本文在原有的基于代数特征的人脸识别算法的基础上,分别从提高识别率和缩短识别时间两个方面进行研究分析,不仅有效提升了代数特征的识别准确率,对识别效率也有了很大改善：(1)改进的PCA快速人脸识别。改进后的算法相对于传统PCA方法,在匹配人脸之前首先选取一定数量的候选集合,图像预处理以及之后的PCA特征提取和选择都是在候选集中进行的,最后选用最常用的最近邻分类器进行相似性匹配。该方法在预处理、特征提取以及降维使用的是按照一定标准选择的候选集合中的人脸图像,而不是所有的训练样本,这样节约了大量的原始数据处理时间。在ORL人脸数据库上分别进行了两种算法的效率对比,结果显示,在使用了候选集之后,不仅可以缩短识别的时间,而且没有牺牲算法的识别率(2)模糊对角2DLDA人脸识别算法。针对线性鉴别分析的类内离散矩阵奇异而不能直接应用于小样本问题,并且存在对总样本空间的中心定位不准确的问题,采用了对角变换方法的同时融合了对样本的模糊分区,并提出了新的计算类间离散矩阵的方法。在特征提取之前先对面部图像作对角变化,之后使用模糊k近邻(FKNN)计算每个样本属于不同类别的隶属度,并用隶属度计算类内离散矩阵和重新定义的类间离散矩阵,最后得到最佳鉴别投影进行降维和特征提取。(3)模糊双向加权求和人脸识别方法。在双向特征投影的基础上,提出一种模糊双向加权求和准则,成功地实现在人脸识别系统中。在FBWSC中,首先定义了面向图像的行方向最佳投影矩阵并进行最优投影变换,得到行方向特征训练样本集；引入模糊距离的概念,计算出在行方向上的距离权值。同样地,给出了面向图像的列方向最佳投影矩阵并进行最优投影变换,得到列方向特征训练样本集；再利用模糊距离的概念计算列方向上的距离权值。FBWSC将行方向特征训练样本集与列方向特征训练样本集加权求和,从而完成对原始样本数据的特征提取。在ORL、FERET以及Yale人脸库上实验结果表明,文中提出的模糊双向加权求和准则特征提取方法用于人脸识别具有较高的识别率。(4)FDLPP算法及其在人脸识别中的应用。利用最大间距准则(MMC)将局部保持类间离散度矩阵和局部保持类内离散度矩阵的差异性最大化,使属于不同类别的样本之间越来越分散,提高分类的准确性。引入模糊集理论和k近邻分类器更加准确地描述了样本的分布信息,在定义模糊拉普拉斯离散度矩阵时融合了模糊隶属度,进一步使样本分类更加的清晰。结合ORL、FERET和Yale人脸数据库的实验结果,充分表明了在光照不均匀以及视觉角度不断变化情况下的算法鲁棒性。