伴随着模式识别,图像处理和计算机视觉等领域的飞速发展,人脸识别技术的研究成果不断涌现,并已融入人们的生活中。然而由于人脸表情变化的多样性,人脸图像易受环境影响,计算机资源和空间有限等因素,人脸识别技术在复杂环境下的应用面临诸多挑战。特征提取是人脸识别技术中的一个重要步骤,一直是国内外学者的研究热点。本文以人脸识别技术中的特征提取算法为主要研究对象,分别对人脸识别特征提取方法中的2D-LDA方法和PCANet方法展开研究并进一步完善和改进,使得提取的特征能够对光照变化和遮挡环境的鲁棒性更强且计算复杂度不会过高,而且能够提升最终人脸识别算法的性能。论文的主要研究工作和成果如下:第一,为了解决子空间特征提取算法2D-LDA对光照和遮挡等环境变化不鲁棒的问题,分析了子图像方法,模糊集理论以及随机采样技术在特征提取方法中的优点,提出基于子图像和随机采样的模糊2D-LDA人脸识别方法(RS_subimage-F2DLDA)并通过实验验证了该改进方法的有效性。第二,通过分析基于深度学习的方法主成分分析网络(PCA Network,PCANet)中只采用最大的几个特征值对应的特征向量构建卷积核,发现被丢弃的特征向量中也存在一部分鉴别性信息。为了能够充分地利用所有特征向量中的鉴别性信息,提出了基于随机采样的PCANet方法(RS_PCANet)。该改进方法通过提升卷积核的多样性来提升人脸识别算法的性能。第三,结合密集型卷积网络(Densely Convolutional Network,DenseNet)结构的密集特点,将RS_PCANet中第一个卷积层的原始图像加入第二个卷积层的输入中形成级联的第二层输入,提出了密集PCANet(Dense_PCANet)想法。此外,结合图的光滑特性,为了使图像的像素点之间的几何结构能够在低维空间中保留,在PCANet的PCA映射中加入图的光滑性约束项,得到了光滑PCANet(Smooth_PCANet)想法。初步实验结果表明提出的两个想法是可行的。