人脸识别比较其他各种生物特征识别手段更有市场前景，现已被广泛应用到各个领域，使其在生物识别领域的份额也随之迅速提升，越来越贴近我们的日常生活。但是我们也知道，人脸识别技术是从理想环境逐渐到复杂环境发展的过程，对于光照，遮挡等问题的处理，为人脸识别提出了更高的要求，也为精准性带来了挑战，国内外各种算法的提出旨冲破复杂环境的束缚，构建更精细的模型。以下提出的算法就是在复杂环境下对现有的人脸识别算法进行优化。我们知道外界环境不可能像最传统“考勤机”那样理想，而且现阶段这一技术也不是简单应用，从安防，监控，银行，保险等领域都在运用这一技术，就像我们了解的长春“304”婴儿丢失案件一样，我们对嫌疑犯的监控是一个复杂的环境，角度遮挡等问题都给识别技术带来挑战，那么我们所希望的就是通过优化算法来逐步解决这些问题。本文是对现今较为流行非负矩阵的分解算法进行改进优化，矩阵中全部元素的转化均受非负条件制约，其结果是稀疏表示的，这样说明非负矩阵分解算法能较好的处理遮挡光照等问题。由于这一算法相当于将人脸的每一模块堆积而形成的人脸图片。就像我们观察每个人一样，很多时候我们都会先注意到这个人比较突出的特点，这相当于记住一个人相貌的入手点，然后再对他其他方面有个全面认识。鉴于人类有这种感知习惯，所以我们说非负矩阵分解算法的这一优点具有与人眼类似的感知习惯。我们对其通过流形思想的引入，既保证了非负矩阵算法的优点，又保证了原始数据在降维后的子空间中仍然具有原来的位置关系。不仅仅流形思想可以引入非负矩阵分解算法，梯度下降算法也可以与其融合，下文将介绍基于流形的非负矩阵分解算法和梯度下降算法的融合，提高算法的识别率。本文通过将一种步长自适应的梯度下降算法与该算法进行融合，从而提出了一种融合步长自适应梯度下降法与流形非负矩阵分解的人脸识别算法，我们知道，传统的梯度下降算法非常依赖于步长的选择，不合适的步长将会使算法收敛于一个非常糟糕的结果，所以我们引入了步长可变的梯度下降算法来避免步长的选择对算法的识别率所造成的影响。该算法由于其即能够像传统的流形非负矩阵分解算法那样，能够保留样本点在原始空间的邻接关系，又能够利用步长自适应算法能够跨越较差的极值点这个优点。由于该步长可变的梯度下降算法在迭代中能够跨越较差的局部极小值，而收敛于结果较好的局部极小值。通过在AR、ORL、GT数据库上进行实验，实验表明，所提出的算法的识别率，在多次运行取平均值的实验中，要高于对比算法。