作为最近图像处理领域的研究热点的人脸识别研究，它对模式识别和信息安全的发展很有帮助。而特征提取是模式识别研究的最基本问题之一，它对于图像识别起着至关重要的作用。其中，线性鉴别分析是最为常用的特征抽取方法，在人脸识别领域得到了非常多的关注。然而在最近，核技术的发展进一步促进了传统的特征抽取方法的发展。目前出现了核鉴别分分析的非线性特征抽取方法，它可以解决原始的样本在线性空间可能不可分的问题，使得基于核的特征提取方法也得到了迅速的发展。另外，由于经典的线性鉴别分析需要较多的特征抽取时间，研究者提出了二维线性鉴别分析，使得特征抽取速度大大加快。判别公共向量也是最近几年的热点，它可以很好地解决“小样本问题”，在人脸识别中取得了很好的效果。由于它们都是基于子空间的算法，将之统称为子空间分析方法。本文基于上述几种特征抽取技术对人脸识别方法进行了研究，主要工作如下：　　 1.在分析二维鉴别分析和图像预处理的基础上，提出了一种对图像的Gabor预处理和2D Fisherface特征提取方法相结合的人脸识别。首先利用Gabor滤波器对图像进行预处理，然后运用2D Fisherface方法抽取原始图像，在运用2D Fisherface方法的时候自动提取具有鉴别能力的特征进行人脸识别。由于结合了两种方法的优点，从而取得了比任意一种方法更好的识别结果。　　 2.在基于核鉴别特征模型的基础上，根据上面所提出的2D Fisherface方法，提出了一种新的核特征抽取方法。先利用改进的2D Fisherface做空间变换，把样本进行线性变换，然后把变换后的新样本集投影到高维空间上，在进一步抽取高维鉴别特征。对样本进行两次特征抽取更加有利于分类。　　 3.在判别公共向量算法的基础上做了改进，也就是在我们提取鉴别特征的时候，不但利用了每类的公共向量，而且利用了每个样本的差别向量。通过充分的利用类别信息和样本信息，可以更加有效地对样本进行特征鉴别。　　 以上三种方法均在标准人脸库上进行仿真实验，证明了其有效性。