人脸图像分析技术是计算机视觉和模式识别领域非常活跃的研究课题，其目的是让计算机通过图像信息自动地完成人脸检测、人脸识别、面部性别识别和面部表情识别等功能，在安全保卫、电子娱乐和科学教育等方面有着广泛的应用前景。本文以Boosting学习和二维子空间方法为基础，以人脸图像分析为应用，重点进行了四个方面的研究：(1)Boosting学习中弱分类器的构造问题。对基于局部二元模式算子和主成分分析的分类方法嵌入AdaBoost算法进行了研究和讨论。(2)推广二维主成分分析为非线性二维主成分分析，并提出快速算法以解决非线性二维主成分分析面临的计算开销大的问题。(3)以解决小样本问题为目的，提出了二维典型相关分析的算法模型。(4)以构建一种有效的图像局部特征提取方法为目的，提出了二维偏最小二乘的算法模型。本文主要工作与创新如下： 1．本文首先全面介绍了人脸图像分析研究的历史与现状。人脸图像分析研究根据其目的的不同，主要可以分为人脸检测，人脸识别，面部特征检测与提取，人脸属性识别和面部表情识别等问题。本文选取其中典型的三类问题：人脸检测，人脸识别和面部表情识别进行综述。分类对他们的研究历史、最新成果、主要方法和现存技术难点进行了全面的介绍和分析。此外，还对人脸图像分析研究中常用的人脸数据库进行了汇总。 2．研究了局部二元模式算子与Boosting算法相结合进行两类分类的问题。提出了两种基于LBP的面部性别识别方法，其中的BoostingLBP方法首先采用可变尺寸的子窗口对人脸图像进行扫描。在扫描所得的每个子窗口中，使用LBP算子对该子窗口进行特征提取，这些特征由对应于局部二元模式的直方图来表示。计算样本图像的LBP直方图和模板的LBP直方图之间的度量，并由此构建弱分类器集。然后利用Adaboost算法选取最有效的若干个弱分类器集组合成为强分类器。实验结果表明：首先，LBP算子能有效的从人脸图像中提取出针对人脸性别分类的特征，并可以达到人脸性别分类的目的。其次，本文提出的两种基于LBP算子的方法可以有效的解决传统LBP方法所存在的特征提取范围有限、加权机制客观性不足等问题。最后，本文两种方法，尤其是Boosting LBP方法可以获得较其他方法更优的分类结果。 3．研究了主成分分析与Boosting算法相结合进行多类分类的问题。提出了称为BoostingTree的面部表情识别方法。该方法基于传统的Adaboost算法，采用树形结构将七种表情的分类问题分解为六层的二分类问题加以解决。在BoostingTree算法中，采用了一种改进的PCA方法来构造弱分类器集。在传统PCA方法求得特征向量矩阵后，不是根据特征值的大小顺序选取特征向量，而是使用“组合块”策略对特征向量进行任意组合以构造弱分类器集。该策略既解决了任意组合特征向量带来的“数据灾难”问题和数据冗余问题，又可以配合Boosting/Tree方法挑选出最佳的特征向量组合来构造最终的强分类器。实验表明，此方法所取得的识别率优于基于Bayes和Adaboost的面部表情识别方法。 4．研究了非线性二维主成分分析并提出了一种快速算法。2DPCA方法的本质是直接对图像协方差矩阵进行特征提取，而不使用传统PCA方法所采取的图像拉直预处理。核二维主成分分析则是传统主成分分析方法的非线性扩展，其利用核技巧完成这一功能。同样，核化2DPCA(K2DPCA)方法将有效的提高该方法的识别性能。然而当样本集较大时，普通K2DPCA方法通常会面临巨大运算量和存储开销的问题。我们将提出一种快速算法，能明显的提高特征提取的速度以及有效的降低存储开销。人脸识别实验的结果证明，本文所提出的快速算法在取得与普通K2DPCA方法相同的识别正确率的同时，在计算时间和内存开销上有显著降低。 5．推广传统典型相关分析为二维典型相关分析方法，并利用其解决人脸识别中的小样本问题。在基于传统典型相关分析(CCA)的人脸识别中，由于训练样本数小于样本维数所造成的协方差矩阵病态奇异会导致小样本问题(SSS)的出现。针对以上问题，本文提出了一种改进的有监督统计学习方法，称为二维典型相关分析(2DCCA)。该方法与传统CCA方法的最大区别之处在于2DCCA直接使用原始图像矩阵进行特征提取，而不需要对图像进行矩阵到向量的拉直处理。在实际应用中，由2DCCA方法计算得到的协方差矩阵通常是满秩的，因此该方法可以有效的解决小样本问题。本文首先阐述了2DCCA方法的基本原理并给出了类成员关系矩阵的构造方法。其次，推导出了类成员关系协方差矩阵广义逆的解析解。再次，从理论上证明了2DCCA方法对于解决小样本问题的有效性。最后，利用人脸识别实验来测试该方法的性能，实验结果表明，2DCCA方法有效地解决了图像识别中常见的小样本问题，并且能取得较其他几种基于CCA的人脸识别方法更优的识别结果。 6．提出了一种基于二维偏最小二乘法(2DPLS)的图像局部特征提取方法，并将其应用于面部表情识别中。该方法首先利用局部二元模式(LBP)算子提取一幅图像中所有子块的纹理特征并将其组合成局部纹理特征矩阵。由于样本图像被转化为局部纹理特征矩阵，将传统PLS方法推广为二维PLS方法来提取其中的判别信息。在二维PLS方法中，对类成员关系矩阵的构造进行了相应的修改，使其适应样本的矩阵形式并能体现出人脸局部信息重要性的差异。同时，对于类成员关系协方差矩阵的奇异性问题，推导出了其广义逆的解析解。基于JAFFE人脸表情库的实验结果表明本文方法可以有效的提取图像局部特征，并能取得良好的表情识别性能。