人脸识别是生物信息特征识别技术的一个主要方向，与其它生物特征相比，人脸识别具有主动性、非侵犯性和用户友好等许多优点，在过去的20年中已经成为计算机视觉、模式识别和人工智能领域的一个研究热点。从最初的基于几何的方法到基于统计等复杂特征的方法，人脸识别已经发展了很多算法。目前基于统计特征的线性方法在人脸识别中发展的比较成熟，但是由于人脸识别涉及光照、表情、姿态等问题，线性方法在实际应用中表现的远远不够。因此，将线性方法拓展到非线性领域以提高识别率是一个亟待解决的问题。本论文主要研究了核Fisher判别分析方法(KFDA，Kernel Fisher Discriminant Analysis)，重点是线性Fisher判别算法到非线性方法的拓展。在此基础上，针对某些环节提出了改进算法，主要工作总结如下：1．由于线性子空间方法不足以描述实际人脸图像中的表情、光照、姿态等复杂的非线性变化。核Fisher判别分析既具有核技巧的非线性描述能力，又继承了Fisher线性判别分析的优点。本文在总结基于核Fisher判别分析人脸识别方法的基础上，提出引入了核样本集(Kernel Sample Set)的概念。将KFDA算法等价于对核样本集做Fisher线性判别(FDA)。这样非线性的算法又转化到了线性算法。实验结果表明它能比线性子空间分析和核主分量分析取得更好的识别性能。2．基于对核Fisher判别方法的分析，提出两种增强型核Fisher判别分析模型(EKDA-1和EKDA-2)。该算法将两种增强型FDA模型(EFM-1和EFM-2)引入到非线性算法中。EKDA模型在对核样本集进行FDA处理的过程中，考虑了过拟合问题，并将FDA过程等效为对类内和类间散度矩阵的同时对角化。实验结果表明，增强型核Fisher判别分析模型提高了传统KFDA算法的识别率，达到了提取分类信息和压缩特征空间维数的效果。