模式识别方法已经成功地应用到大量的目标识别任务中，其中人脸识别已成为模式识别和计算机视觉领域的一大研究方向。近年来的研究成果表明，人脸图像很可能位于一个非线性流形上，人脸数据集是由某些内在变量控制形成的非线性流形。　　 流形学习算法的研究是涉及拓扑学、图论、机器学习、模式识别、信号处理、计算机视觉等多领域多学科交叉的结果，其可以有效发现高维数据的内在几何分布，挖掘隐藏在高维数据中的特征信息与内在属性。Roweis等提出了以流形学习为核心的局部线性嵌入(LLE)算法，其本质就是一种无监督的局部非线性学习算法，它具有参数少、计算速度快、易求全局最优解等优点，并在图像分割、图像识别、数据可视化等方面都有着广泛的应用。但是，LLE具有对数据噪声敏感和不适合稀疏采样的特点，在人脸识别中可能会将相隔较远的点映射到低维空间数据点的邻域内，从而导致嵌入结果有比较明显的误差。本文主要对应用于人脸识别的LLE算法进行了必要的研究与改进，以提高识别正确率为目的，提出了两种新的算法。具体工作包括以下三个部分：　　 1、简要叙述了LLE的发展概况和算法理论，并分析了LLE的推导过程。　　 2、为了抑制LLE对噪音的敏感性，结合Haar小波变换，提出了一种人脸识别的新方法。基于ORL与Sheffield人脸数据库的实验结果表明了该方法对改善传统LLE算法识别率的有效性。　　 3、针对LLE不适合稀疏采样的特点，提出了差分图像结合LLE进行人脸识别的方法。通过对差分方法的理论分析和基于ORL人脸数据库的实验对比，表明该方法具有比传统的LLE算法和基于核函数的LLE算法更好的识别性能。