人脸识别是基于人的面部特征信息进行身份识别的一种生物识别技术。特征提取作为人脸识别的关键模块,主要解决如何从人脸图像数据中提取有效的面部特征信息问题。主成分分析和线性判别分析的提出具有里程碑式的意义,使人脸识别技术迎来春天,遗憾的是当时的人脸识别技术没有得到商业化应用。如今人脸识别技术无疑是安防领域的一支潜力股,而其发展趋势主要受限于特征提取方法的性能,因此提取出能够反映人脸图像数据内在本质性鉴别信息是识别任务的重点和难点。这也是本文探讨的核心内容,具体工作如下:首先,介绍了基于主成分分析和线性判别分析的特征提取方法的基本原理,并针对它们在人脸识别中存在的具体问题,介绍了一些有效的改进方法。结合人脸数据库上的仿真实验分析它们的优势与不足,为后续改进方法提供理论依据。其次,针对非参数最大边缘准则对边界样本比较敏感,使估计的散度矩阵存在误差问题,提出了基于广义瑞利熵的非参数特征提取方法。通过将样本点与其同类最远的k个样本相互靠近,同时与其异类最近的k个样本相互远离,降低边界样本对估计散度矩阵的影响。在类间散度矩阵的计算中引入权重因子,有利于削弱有限样本条件下的散度矩阵的估计误差。采用广义瑞利熵准则迭代求解投影向量,有效解决散度矩阵的秩对投影向量个数的限制问题。在3个人脸库上的仿真实验结果进一步表明所提方法的有效性。最后,为了增强基于Gabor特征识别方法的泛化能力,本文结合增强学习和多线性主成分分析,提出基于图像Gabor特征的增强型特征提取方法。首先,采用MPCA对Gabor特征降维得到低维的Gabor特征。然后,少量具有判别性的Gabor特征训练一组基于NMMC准则的基分类器,并根据置信度集成。训练学习器之前的MPCA操作保留了Gabor特征的空间结构信息,大大减少了处理Gabor特征的复杂度。训练学习器时采用的交叉验证机制以及Gabor特征的维数都提供了控制NMMC学习器弱化性能的方式。人脸数据库上的仿真结果表明所提方法的有效性,提升了基于图像Gabor特征的人脸识别方法的识别率。