当已标记的训练样本数目较少时,人们可以利用的样本信息将会减少,传统的图像识别方法的效果也会差强人意。然而在进行特征提取时,往往其它数据库会有一些相关的有用信息,这些信息是对特征提取有帮助的,我们可以利用这些有用的数据信息来帮助提取更好的特征,从而提高识别率。在本文中,我们回顾和学习了多任务学习的发展历史和原理,并成功将多任务学习技术应用到图像特征提取中。我们的工作根据多任务学习中知识迁移的层次的不同主要分为两部分：基于投影变换迁移的特征提取方法和基于示例迁移的特征提取方法。基于投影变换迁移的特征提取方法根据思路的不同我们介绍了基于投影向量正交的特征提取算法和基于样本集正交的特征提取算法两种；基于示例迁移的特征提取算法也包括两部分工作,一个是先利用多任务的思想,将单任务拆分为多个任务来进行分类识别,另一个是利用样本迁移的思想,将源域的样本差异信息用来帮助重构目标域的训练样本集,提出了基于样本集重构的特征提取算法。基于示例迁移的特征提取方法只能对非常相似的数据有所帮助,但效果较为稳定。而基于投影变换迁移的特征提取方法,效果没有基于示例迁移的特征提取方法那么稳定,但是它可以从很不相似的数据中迁移知识。我们的实验是在公认的AR人脸数据库,FERET人脸数据库,CAS-PEAL人脸数据库以及Palmdata掌纹数据库上进行的,和对应的一般的特征提取算法的实验结果进行比较分析,证明我们的方法的识别效果更加有效。