人脸识别技术是计算机模式识别领域非常活跃的研究课题，在法律、商业等领域有着广泛的应用前景。人脸识别主要包括三方面的内容：人脸检测与定位，特征提取，分类与识别。本文主要是围绕着人脸识别中的特征提取技术展开的。 子空间法是人脸识别中一种常用的特征提取方法。文中对各种子空间法及其在人脸识别中的应用作了详细的介绍，并对各种方法从理论分析和实验结果两方面进行比较，指出了线性判别分析子空间方法在模式识别特征提取中的优越性。 Fisher线性判别分析在人脸识别应用中取得了很好效果。文中提出了一种新的基于Fisher线性判别分析的人脸识别方法：加权零空间法。该方法针对Fisher准则与识别率并非直接相关，提出了一种加权求解总的类间散布矩阵和总的类内散布矩阵的策略：对总的类间散布矩阵，通过适当的权函数加大距离较近两类的作用，因为相邻较近的两类的误分可能性比较大；对于总的类间散布矩阵，通过选择适当的权函数来减小边缘类的影响，因为边缘类在原始输入空间已经能很好与其它类分开，那么在特征提取后的子空间中，边缘类的类内散布矩阵是否压缩对最后分类的影响不大。论文还在ORL人脸库和FERET人脸库上对该算法进行了测试。实验结果表明，加权零空间法是一种很好的人脸识别方法，它能在保留特征向量个数很少的情况下达到很高的识别率。 文中还把一种迭代的线性判别分析方法“Fractional-step线性判别分析(简称F-LDA)”应用到人脸识别中，提出了一种结合主元分析和F-LDA的人脸识别方法。为了解决F-LDA直接应用到高维模式识别中计算复杂度太大的问题，算法中首先应用主元分析进行降维，因为主元分析得到的特征空间是一种最优表示空间。另外，算法还对总的类内散布矩阵作了归一化变换，使应用F-LDA进行特征提取时的总的类间散布矩阵为单位阵。对该算法在AR人脸库和UMIST人脸库上进行了测试。实验结果表明，该算法比其它几种经