人脸识别因其采集成本低、安全性高以及丰富的应用场景,一直是计算机模式识别领域的研究热点。伴随着人脸识别技术理论的不断成熟,人脸识别作为一种新型的身份验证技术被广泛应用于各种实际场景。但是面对海量的人脸图像数据,如何训练出有效的特征信息,是人脸识别技术的关键。非负矩阵分解(NMF)作为一种特征提取算法,近几年被广泛应用于人脸识别研究。如何加快矩阵分解的收敛速度和使分解结果更具有稀疏性,是改进NMF算法的一个重要方向。而把奇异值分解(SVD)算法和NMF算法结合起来,应用在人脸识别上,效果比单一的算法要好。目前,相应的SVD-NMF融合算法也比较多,本文主要是基于SVD和NMF融合算法的改进以及其在人脸识别上的研究应用。本文所做的主要内容如下:(1)本文在基于CSVD-NMF算法的基础上,对CSVD-NMF算法的不足提出了两点改进。1)本文提出了一种新的方法来计算奇异值的贡献率,进而确定SVD中最优奇异值个数。该方法相较于以往的计算方法,在相同的重构误差时,截取的最优奇异值个数更加合理。2)本文提出了一种改进的初始化NMF的方法,当原始矩阵的秩很大时,相比于NNDSVD和SVD-NMF算法,能有效的减少原始图像和重构图像的相对距离误差。基于以上两点改进,本文改进后的CSVD-NMF算法在分解后具有更好的稀疏度和相对距离误差,以及应用在人脸识别上的效果更好。(2)本文提出了一种基于CSVD-BFBNMSF的算法。1)由于在处理矩阵数据集时,NMF算法提取的特征描述能力不够高,推广性很差,而BFBNMSF算法能有效的解决这个问题。因此,本文提出的基于CSVD-BFBNMSF算法,相较于CSVD-NMF融合算法,提取到的特征描述能力更好。同时,在处理小样本学习问题时,本文算法的实际效果更好。2)本文利用SVD初始化BFBNMSF,相较于随机初始化BFBNMSF,具有更稳定的实验效果和更快的平均收敛速度。基于以上两点,本文提出的基于CSVD-BFBNMSF的融合算法在人脸识别上效果更好。