近年来人脸识别技术和其他生物技术一样获得非常迅速的发展，由于其强大的市场前景广泛地被人们所关注。人脸识别在各个领域都被广泛使用，如门禁系统、公安系统、犯罪甄别、金融领域等。人脸识别是作为模式识别的一个分支应用学科被人们所熟知，相比于其他应用识别系统如指纹识别系统、虹膜识别系统、基因识别系统、视网膜识别系统等有相当的优势比如：使用方便、不易丢失、对用户无侵犯性、使用人的表象特征具有的保密隐私性等。当把这些优点与人工智能结合起来它就会爆发非常强大的能量，因此人们对它的研究和开发也非常重视，这使得它发展非常迅速。在经过对传统文献和方法的研究后，本文在它们的基础上提出了一种新的方法来改善人脸识别的效率，让它在一些比较复杂的情况下也能有比较好的效果。本文将传统的2DPCA与LPP算法结合起来，但由于LPP是一种无监督的学习方法，对于一些类内的信息忽略了，因此我们采用有监督的学习方法来完成后面的学习过程，从而为识别提供更多有效信息。首先，对训练图像进行降维，降维的方法有很多种，比如传统的PCA方法，但此种方法需要将人脸图像一维化，当图像较大时，计算量会很大，因此本文采用2DPCA进行降维，这样可以节省大量计算时间。降维时去掉一些特征值为零的特征向量，保留特征值较大的特征向量，这样就保留了图像的绝大部分有用信息。在对图像降维后，使用LPP来得到训练图像的线性变换矩阵。由于LPP方法在计算基向量时没有用到类别信息，因此本文在计算基向量的时候充分考虑了类别信息，将一些不是反应类间差异的基向量丢弃，主要保留有类别信息的基向量，这样又可以去除一些无用信息，对于计算速度和识别率都有提高。经过试验证明本算法在对人脸进行识别时比其他算法如：2DPCA，LPP，LDA等都有更高的识别率。这种方法也为人脸识别研究提供了一定的参考。