近年来,随着国家大力发展互联网和大数据技术,人脸识别在许多领域受到了人们的广泛关注,包括智能安防、刑侦、互联网支付等应用。大部分人脸识别方法在训练样本充足的情况下,能够取得很好的识别效果。然而,在一些实际应用场景中每个人只有单张人脸图像可供训练,此时许多人脸识别方法的识别效果会直线下降,甚至失效。所以,单样本人脸识别问题(SSFR)具有重要的研究意义和应用价值。为了解决该问题,本文从多视图流形鉴别学习的角度出发,提出了一系列有效的单样本人脸识别方法。首先,本文提出了基于多流形鉴别学习的单样本人脸识别方法(MMDL)。该方法的基本思路是,先从通用人脸样本集中提取多种人脸图像的变化特征,并叠加到训练样本集的每个人脸图像上,得到了带有变化特征的扩展人脸样本;然后把每类扩展人脸样本分割成多个互不重叠的局部区域,并构建为一个流形。这样SSFR问题就转化成为一个多流形匹配问题。MMDL能够学习多个鉴别特征投影矩阵,让投影后不同类别之间的流形间隔最大化,同时相同类别流形的差异最小化。其次,为了充分挖掘人脸样本中的多特征信息,本文提取了人脸图像上多个视图的特征,并提出了基于多视图流形鉴别学习的单样本人脸识别方法(MVMDL)。该方法的基本思路是,先用类似于MMDL中基于通用人脸样本集的样本扩展方法得到扩展样本集;再用多个特征提取方法提取样本中的多视图特征,并把样本切分成多个局部区域;然后MVMDL建立了多视图流形鉴别学习模型,为每类人脸样本在每个特征视图下都学习一个鉴别投影矩阵。最后,为了改善前面两种方法在样本扩展以及流形匹配中出现的不精确问题,本文又提出了基于协同表示和多流形学习的单样本人脸识别方法(CR-MVMDL)。该方法的基本思路是,首先使用协同表示方法为每个训练样本选择其在通用人脸样本集中的近似样本,然后再从近似样本集中进行训练样本的扩展和流形匹配,这样使得扩展后的样本和原始训练样本更加相似,多流形鉴别学习中求得的投影矩阵的鉴别性也更好。在AR、ORL、LFW等人脸图像数据库上的实验结果充分验证了本文所提三种方法的有效性。而且,本文所提方法的识别效果和目前代表性单样本人脸识别方法相比,有一定程度的提高。