在人脸识别领域中,得益于神经网络算法的快速发展,基于神经网络算法的识别方法不断被提出。研究人员对人脸识别领域的深入研究,使人脸的识别方法得到了极大程度的发展。其中,因为局部线性嵌入(LLE)算法对非线性数据有良好的处理能力;极限学习机(ELM)算法具有简洁的理论和易于实施的特点。近年来在人脸识别领域中,这两种算法被越来越多的学者关注。但在实际应用过程中,还是遇到了问题。包括图像数量多,数据分布不规则、容易受噪声干扰且带有离群点的问题,以及对不同类别的样本数据提取的特征数据可能会影响ELM算法的判别能力,进而导致ELM算法学习不充分的问题。这严重影响了人脸识别算法的识别准确率和识别速度。为了解决这两个问题,本文通过研究改进,提出了两种改进算法,并分别应用于人脸识别领域中的人脸识别和表情识别。1.基于局部线性嵌入极限学习机(Locally Linear Embedding-Extreme Learning Machine,LLE-ELM)的人脸识别算法。通过使用局部线性嵌入(LLE)算法,寻找特征点的近邻点,构造特征点与近邻点的局部权值矩阵,最终得到所有样本的特征矩阵。该矩阵在保留了原数据的特征结构的基础上,减少了数据维数,降低了计算的复杂度。再通过极限学习机(ELM)算法分类,将特征矩阵作为ELM模型的输入数据,通过单层神经网络进行训练学习,通过求解局部线性系统的方式,得到输出权值,最终实现人脸识别。实验结果表明,基于局部线性嵌入极限学习机(LLE-ELM)算法的人脸识别模型能提高人脸识别率和人脸识别速度。2.基于类内局部线性极限学习机(Within-class Locally Linear Embedding Extreme Learning Machine,WCLLELM)的人脸表情识别算法。因为传统的极限学习机算法在少量标签样本上进行训练,容易发生学习过程不充分的问题,同时在学习过程中往往忽略了样本内在的几何结构,影响其对人脸表情的识别能力。本文将类别信息引入,利用局部线性嵌入算法,构造样本数据的类内局部权值矩阵,得到样本的类内散度特征矩阵。如此,保证同类样本更加集中,这在减少数据量的同时,保持了数据的本质结构和同类数据的判别信息,最终提高极限学习机整体的分类性能。实验结果表明,WCLLELM算法能提高人脸表情的识别准确率和识别速度。