人脸识别是当前模式识别领域中一个非常活跃又极富挑战性的研究课题。在人脸识别中，抽取有效的鉴别特征是解决问题的关键。过去几十年中，在特征抽取的研究领域，有很多学者提出了相关的算法，如基于线性特征抽取方法的线性鉴别分析，主成分分析和独立成分分析方法等，以及在支持向量机的基础上演变而来的基于核技巧的特征抽取方法等。本文对部分常用的人脸特征抽取方法以及目前较重要的 Gabor变换等做了更深入的研究，所提出的算法被证明在人脸识别方面是有效地和可行的。
　　 论文的主要工作和贡献如下：
　　 1.为了提高人脸图像的奇异值特征的识别性能，提出了基于奇异值特征和支持向量的人脸识别算法。同时，针对奇异值特征仅包含全局特征，对细节描述不充分、包含有效鉴别信息不足的问题，本文将鉴别能力强的局部区域用于识别，提出了基于局部奇异值特征与 D-S 理论的人脸识别算法。实验结果表明我们提出的方法是有效的。
　　 2.研究了主成份分析在人脸识别中的应用。主成分分析算法是最基本的人脸识别方法，但是该算法提取的是全局信息，为进一步提高识别性能，提出一种基于类内平均脸的模块 PCA 人脸识别算法。由于主成份分析在计算最优投影矩阵时要把人脸图像矩阵转换成行（列）向量，其维数很高，在模块2DPCA的基础上提出了基于自适应加权平均值的模块2DPCA人脸识别算法。
　　 3.研究了最大散度差在人脸识别中的应用。最大散度差鉴别分析算法在求解最优投影矩阵时用类间散布矩阵和类内散布矩阵的差代替了线性鉴别分析算法中的类间散布矩阵和类内散布矩阵的商，从而解决了线性鉴别分析算法在小样本情况下遇到的类内散度矩阵奇异的问题。然而，由于人脸图像受光照、表情、姿态等非理想情况的影响较大，样本集会存在边缘类样本（也称为“野值”），从而影响了识别率。为解决这一问题，本文提出了基于类内中间值的最大散度差鉴别分析方法，用类内中间值代替类内散布矩阵中的类内平均值。同时，针对最大散度差鉴别分析中存在的平衡参数值不容易选择的问题，提出了加权的最大散度差鉴别分析方法，缩小了平衡参数值的值域。实验结果证明了上述方法的有效性。
　　 4.流形学习方法能够保持人脸图像数据的局部结构，同时，还可以发现人脸的非线性结构。在流形学习方法中，局部保持投影方法(Locality Preserving Projections，LPP)是最有效的方法之一，但是LPP算法没有充分考虑类别信息，本文在现有方法的基础上提出一种有监督的保局投影算法。该算法改进了目前存在的有监督保局投影算法，是一种更完整意义上的有监督的保局投影算法，完善了保局投影算法，提高了识别率。
　　 5.Gabor小波具有良好的空间局部性和方向选择性，能够提取图像局部区域内多个方向的空间频率和局部结构特征，是一种良好的人脸描述方法，越来越受到研究者的重视。但是，人脸图像的 Gabor 表述特征的维数相当高，使得与 Gabor 小波相关的算法计算量过高，影响了实时性。本文研究了 Gaobr 特征的降维方法，提出了一种最优Gabor核的选择算法，在不影响识别率的情况下降低了Gabor特征的维数。同时，对如何进一步提高基于 Gabor 小波人脸识别算法的性能进行了研究，提出了基于模块Gabor直方图和支持向量机的人脸识别方法。在多个典型人脸数据库上的实验结果证明了算法的可行性和有效性。