在基于内容的图像检索系统和人脸识别系统中,提取有效的鉴别特征是系统中的关键环节,是为下一步检索和识别的工作奠定基础的重要步骤。本文基于对子空间特征提取方法的深入研究,提出优化的特征提取方法,弥补了原有方法的不足,在图像检索和人脸识别系统中应用得到了较好的效果。本文将子空间分析技术应用于检索和识别系统,进行了以下研究:1.将子空间技术应用于基于形状的图像检索技术中。高维Zernike矩以其表达图像区域信息的细节性、表征图像检索系统的全面有效性,广泛应用于图像检索系统。但由于高维矩具有“维数灾难”问题,会增加算法的复杂度,因冗余信息造成关键信息混淆,进而影响图像描述效果。针对这个缺陷,本研究应用局部保持投影(LPP)流形学习算法,对以Zernike矩为特征描述子中的冗余信息进行处理。本文在LPP算法中,通过拉普拉斯图保持局部样本不变性,并引入全局算法主成分分析(PCA)保证了样本的整体性。考虑到信息间的相关性影响到投影的准确率,本文对Schur特征值分析代替传统的特征值求解方法,得到正交基向量,能够使数据重构相对容易,在此基础上保留Zernike矩的旋转不变性,使检索到的图像更加符合人眼视觉效果。2.针对人脸图像的原始灰度图进行特征提取,在运用线性判别分析(LDA)算法对人脸子空间进行学习时,发现算法本身在定义上有一定的不足,即忽略了相邻两类样本比较相似的情况下,容易产生误差而导致样本分类不明确。针对此缺陷不足,本研究提出最大边际近邻判别分析法,其原理是依据近邻元准则将数据样本投影到利用最大边际近邻方法所得到的子空间,同时对相邻的具有相似特征的两类进行约束,构造出新的散布矩阵,进而得到优化的目标函数。此方法克服了传统的定义形式对于两类或多类的类别均值之间距离值相近时难以区分导致数据样本之间重叠或部分交叉的缺点,解决了算法本身具有的小样本问题。将此算法在在标准的人脸数据库上进行应用,得到了较高的识别率,证明了该方法的有效性。