人脸识别是模式识别中极具挑战性的课题。在目前的人脸特征提取算法中,基于Fisher准则的线性判别分析(LDA)算法是一种较成功的特征提取算法。D-LDA算法是为解决标准LDA用于人脸特征提取时遇到的小样本问题而提出的一种解决方法。针对D-LDA实现过程中会间接丢失部分分类信息的问题,本文提出了基于D-LDA的改进算法—非参数直接线性判别分析(Nonparametric D-LDA,ND-LDA)。该方法利用NDA非参数化思想对D-LDA中的类间离散度形式进行了改进。从而使利用ND-LDA方法计算出的最佳投影方向,不仅能利用训练图像类内离散度矩阵的主空间和零空间的分类信息,而且具有NDA算法的优点—能用于各类数据不严格服从高斯分布情况下的分类问题。实验结果证明了本文提出的ND-LDA方法相对于D-LDA、Fisherfaces、NDA具有一定的优势。鉴于利用本文提出的ND-LDA算法提取的特征维数相对于D-LDA有了很大的增加。本文最终采用基于压缩感知的分类器对利用ND-LDA算法提取的人脸特征进行分类。实验结果表明,利用此分类器结合本文提出的改进方法能进一步提高人脸识别率。