在当今高度信息化、网络化及数字化的社会环境下,信息安全问题备受社会各界广泛关注。生物特征识别技术具有普遍性、唯一性、稳定性、安全性、可靠性等特点,因此成为当前信息安全领域中极为重要的研究课题之一。在众多生物特征识别技术中,人脸识别技术作为一种自然、直观、友好、安全、实用的生物特征识别技术成为当前领域中最具有发展潜力的技术之一。此外,人脸识别技术研究具有重要的理论研究意义和广阔的市场应用前景与潜力。近几十年来,人脸识别技术已经取得了很大的进展,积累了丰富的理论并涌现出大量的识别方法。尽管已有的人脸识别技术能够获得优越的性能,但由于人脸图像易受光照、表情、姿态等外界因素变化的影响,人脸识别仍然是一个复杂性的问题。因此人脸识别依然存在许多问题和关键技术有待于进一步解决与完善。本文针对已有人脸识别方法进行分析与总结,在此基础上提出三种新的人脸识别方法,并将它们与现在流行的人脸识别方法进行比较。大量实验结果验证了本文方法的有效性和可行性。本文主要研究工作及贡献之处总结如下:1、非负矩阵分解(Non-negative Matrix Factorization,简称NMF)作为一种有效的特征提取方法已经被广泛应用于各种领域中。然而NMF方法是一种无监督方法,它在特征提取的过程中并没有考虑到样本的类别标签信息。因此,它可能丢弃大量有用的判别信息和降低识别精度。于是,为了充分利用标记样本与未标记样本的信息来改善NMF方法的分类性能,我们结合标签传递(Label Propagation,简称LP)与矩阵分解(Matrix Factorization,简称MF)技术提出基于标签传递的半监督非负矩阵分解(Label propagation based Semi-supervised Non-negative Matrix Factorization,简称Lp SNMF)方法。首先,Lp SNMF方法通过引入LP技术有效地克服了半监督NMF方法没有利用标记样本与未标记样本的空间分布信息的缺点。其次,Lp SNMF方法将LP技术与NMF方法整合到统一框架实现了低维特征提取与训练集中未知样本的标签预测的双重目的。另外,我们提出一种交替迭代优化算法求解目标函数,并分别从理论分析与数值实验两方面证明了算法的收敛性。最后,通过大量实验验证Lp SNMF方法的有效性。2、为了缓解光照、表情、姿态等外界因素变化对基于全局信息的人脸识别方法性能的影响,研究者提出了大量基于局部信息的人脸识别方法。最近,结构保持投影(Structure Preserved Projections,简称SPP)方法作为一种有效的局部人脸识别方法被提出。然而SPP方法在特征提取的过程中没有充分考虑到数据的类别标签信息与人脸图像的二维空间结构信息,在一定程度上降低了低维特征的判别能力和减弱了SPP方法的分类性能。为了克服SPP方法的缺点,我们提出空间平滑判别结构保持投影(Spatially Smoothed Discriminant Structure Preserved Projections,简称SS-DSPP)有监督局部人脸识别方法。首先,为了增加低维特征的判别能力,SS-DSPP方法充分利用数据的类别标签信息构建类内邻域图与类间邻域图。其次,为了在特征提取过程中能够保持人脸图像的二维空间结构信息,我们利用基矩阵空间邻域像素的散度提出一种简单且灵活的空间平滑约束(Spatially Smooth Constraint,简称SSC)。最后,在四个标准的人脸图像数据库上测试SS-DSPP方法的有效性和可行性。大量实验结果验证SS-DSPP方法的性能显著优于其它对比方法。3、尽管有监督局部人脸识别方法的性能要优于全局方法及无监督局部方法,但有监督局部方法需要大量标记样本才能获得较好的性能,且其无法处理包含未标记样本的训练集。而且,它们也忽略了不同子模式集潜在的互补关系。为了解决上述问题,我们整合自适应加权多图标签传递(Adaptive Weighted Multiple Graphs based Label Propagation,简称AWMGLP)与局部岭回归(Local Ridge Regression,简称LRR)提出半监督局部岭回归(Semi-supervised Local Ridge Regression,简称SSLRR)方法。SSLRR方法利用了未标记样本与标记样本的信息,同时考虑到了子模式集之间的相互关系。而且,SSLRR方法还能避免“样本外”(Out-of-Sample)问题。尤为重要的是,SSLRR方法同时实现了训练集中未知样本标签预测与分类器学习的双重目的。此外,我们提出一种简单且有效的迭代更新优化算法求解SSLRR方法目标函数的局部最优解,同时从理论分析与数值实验证明算法的收敛性。大量实验结果证明SSLRR方法的性能要显著优于其它对比方法。