随着科技的迅猛发展,很多的领域都对人脸识别技术有了迫切的需求,而人脸识别的众多方法也成为学者们的研究热点,其中基于子空间分析的方法因其效果好,计算少等优点而倍受关注。本文对此方法也进行了深入的研究,所做的研究工作如下：主成分分析方法(PCA)是图像压缩技术中的一种最优二维正交变换。它首先将组成图像的矩阵变换为矢量,然后计算协方差矩阵进行特征提取。由于维数一般很高所以会造成小样本问题,本文针对小样本问题提出了基于图像分割隶属的PCA方法,此方法先分别提出图像各个部分的特征并且计算出各局部特征对于训练样本的隶属度,实现局部图像的分类,最后通过隶属度的加权和得出一张完整的测试图像对于其训练集的隶属程度,更是改进了隶属度函数使得识别率更高。传统的LDA方法夸大了相距较远的类和样本对于鉴别分类的贡献,从而存在了次优性问题,即无法找出最利于区分类的投影向量而影响了LDA的分类效果。为此文中KDA算法在类间散布矩阵中舍弃了总体类均值而采用部分类的均值使得类中心不会偏离；在类内散布矩阵中为每个训练样本赋予一个权重以区分不同样本的主次贡献,避免相距较远的样本占主导地位；并且MDA算法重新改进了中值的计算方法,这样既保留了更多图像信息也减少了异常点的影响；最后融合两个方法得到MKDA算法,这个算法很好的解决了次优性问题,增强了鲁棒性。