近年来,人脸识别已广泛应用于视频监控、金融支付等多个领域,体现出重要的商业价值和应用前景,而如何准确、有效的进行人脸识别,提升信息安全成为一项重要的研究课题。非负矩阵分解方法(Non-negative Matrix Factorization,NMF)作为典型的子空间分析方法,满足人脸识别的应用需求。目前基于NMF方法的人脸识别算法已经有效提高了识别的准确率。然而,在实际应用场合中采集到的人脸图像会受到噪声和遮挡的干扰,导致识别准确率下降。本文在对现有NMF方法进行分析总结的基础上,提出了两种改进方法用于人脸识别。本文主要工作如下:(1)针对现有NMF方法对于人脸局部信息学习能力不足的问题。提出了一种局部鉴别非负矩阵方法(Local Discriminant Non-negative Matrix Factorization,LDNMF)。通过设计权值算子,对局部坐标约束进行加权,以此作为局部约束项引入目标函数中,该约束重点学习那些差异性较大的人脸图像,使得基向量更接近于原始数据;同时,为了学习更加判别的特征,对系数矩阵引入类内类间算子,并以此作为鉴别约束引入目标函数。通过引入这两种约束项,使得本文LDNMF方法更适用于实际应用场景。同时为了弱化了光照和遮挡的影响,本文通过将Gabor特征图和LDNMF方法相结合设计了人脸识别算法,并给出了详细的实现步骤。实验结果表明,比同类其它方法相比,本文所提方法能够有效提高识别结果。(2)针对现有多视角方法不能很好挖掘不同视角之间相关性的问题。提出了一种多视角非负矩阵分解方法(Multi-view Non-negative Matrix Factorization,Multi-view NMF)。通过设计多视角约束算子,对不同视角系数矩阵两两求取差值矩阵,并求取所有差值矩阵F范数平方和作为多视角约束项引入目标函数中,该约束重点学习不同视角之间的一致性信息和互补性信息;为了减弱不同类别之间相似人脸图像的干扰,使用同一视角下不同类别矩阵的内积作为类别约束项引入到目标函数中。通过引入这两种约束项,使得本文Multi-view NMF方法可以学习到更多的多视角信息。为了学到不同尺度下的人脸信息,本文将多尺度的概念和Multi-view NMF方法相结合提出了多尺度多视角人脸识别算法,并给出了详细的实现步骤。实验结果表明,比同类其它方法相比,本文所提算法能够更好地学习的多尺度多视角信息,也提高了人脸的准确率。