人脸识别的研究开始于上世纪70年代，经过几十年的发展，已有大量的算法涌现出来。在众多人脸识别算法中，基于表观的方法是最优秀的方法之一。而线性鉴别分析(Linear DiscriminantAnalysis LDA)和主成分分析(Principal ComponentAnalysis PCA)是基于表观的方法中最重要的两种特征提取与降维技术。从分类的角度看，基于LDA的算法比基于PCA的算法表现要好些。PCA算法提取出来的主分量主要代表了整体数据差异最大的方向，但这些投影方向并非是最具鉴别性的。由此，本文提出了一种新的算法，通过赋予PCA的主分量以鉴别权重并通过权重大小来选取最具鉴别性的主分量。其中，鉴别权重通过线性鉴别分析算法得出。在样本类之间差别微小，传统PCA无法对其进行鉴别时，在FERET人脸数据库上的实验证明了本文所提出的算法可以用更少的线性特征实现更高的识别率。最近，Loog等人提出了一个观点，说传统的LDA算法所优化的鉴别准则方程并不能给出很好的鉴别精度，原因是计算所得的投影方向过多的受到原始空间中已经得到很好划分的样本的影响，从而使其他类别在投影结果中出现不必要的重叠。并且LDA作为一个线性的算法不能够很好的描述像光照、表情变换和姿态变化等复杂的变化。为了克服以上两个问题，本文提出了一种新的基于核的相关加权的线性鉴别分析方法。该方法有如下两个优点：第一，引入了一个权方程，克服了原样本中本来已经得到良好区分的样本对整个鉴别结果有过大影响的问题，从而更加适合在现实情况下使用；第二，运用核理论，使算法可以很好的处理非线性问题。本文做了多个人脸识别的实验，将本文所提出的方法与其他一些降维的人脸识别算法进行了对比，本文的算法总能给出更好的表现。