基于子空间的方法是最重要的人脸识别方法之一.它有较好的识别性能同时又有较低的计算复杂度和存储代价;在特定准则下,最优地降低了样本的维数,直接缓解了维数危机.子空间方法中最典型的是线性鉴别分析(LDA).然而,子空间方法把每个像素看作高维空间中的一个坐标,其识别性能受几何变换(定位不精确所致)的影响很大.为了减少几何变换对LDA子空间方法的影响,本文提出了奇异值分解(SVD)和LDA相结合的人脸方法(简称"LDA+SVD").SVD提取的特征具有良好的几何变换不变特性,减少了模式变化的自由度,能够部分地缓解维数危机.然而,在有些情况下,无法应用上述LDA方法.例如,在公安侦察中,数据库中每人只有一幅图像.在这种最极端的维数危机情况(每个类只有单个样本)下,由于不存在类内散布矩阵,因此无法应用LDA(LDA退化为主分量分析(PCA)).本文提出了混合高斯模型聚类的LDA方法(简称"GMM_CLUSTER_LDA"),能够在单样本情况下应用LDA,提高识别性能.上述的改进方法都是基于全局特征的.但是,全局特征较局部特征更容易受光照、姿态和表情等因素的影响.为了应用基于局部特征匹配的人脸识别方法进一步缓解维数危机,本文提出了一个重要的概念:"重要特征图".它反映了人脸各部分对识别所做贡献的大小."重要特征图"的概念对研究局部特征匹配的人脸识别方法有一定的指导意义.在"重要特征图"的基础上,提出了一种局部特征加权的人脸识别方法.该方法按照重要性的大小,赋予各局部区域以相应的权重.然而,上述局部特征加权的方法在区别对待各局部特征时还不够灵活,且特征单一.于是,在"重要特征图"的基础上进一步提出了一种基于多类型局部特征设计和选择的人脸识别方法.它利用了上述研究成果,并AdaBoost学习算法的框架下实现了特征的选择和融合.试验中发现的一些新的现象,对研究局部特征匹配的人脸识别方法有积极的意义.