人脸识别是生物特征识别领域的一大研究热点。与其它生物特征识别技术相比，人脸识别技术具有无接触、易采集、识别率高等优点，因而受到人们的普遍欢迎，在法律、商业、公共安全、身份鉴定、门禁系统、视频监视等领域有着广泛的应用前景。人脸识别主要包括三方面的内容：人脸检测与定位、特征提取、分类与识别。本文主要是围绕着人脸识别中的特征提取技术展开的。 特征提取是指将数据从原始空间变换到特征空间的过程，该变换使得原始数据由维数较少的“有效”特征数据来表示，但不减少原始数据所包含的内在信息量。目前，已经提出了许多特征提取的方法，其中子空间分析因其计算简单、识别率高等特性引起了人们的广泛注意，现已成为人脸图像特征提取和识别的主流方法之一。线性子空间的特征提取方法具备计算效率高、表征能力强等优点。其中又以基于主成分分析的特征脸方法和基于线性判别分析的方法比较成功。由于人脸图像较易受各种外界因素的干扰，简单的一次主成分特征提取或线性判别分析特征提取很难得到人脸图像在特征空间内的准确表征。本文对各种线性子空间法从理论分析和实验结果两方面进行比较，指出了线性判别分析子空间法在人脸识别特征提取中的优越性。 Fisher线性判别分析在人脸识别应用中取得了很好效果。文中提出了一种新的基于Fisher线性判别分析的人脸识别方法：改进的零空间法。该方法针对Fisher准则与识别率并非直接相关，提出了一种改进的求解总的类间散布矩阵和总的类内散布矩阵的策略：对总的类间散布矩阵，通过适当的权函数加大距离较近的两类的作用，因为相邻较近的两类的误分可能性比较大；对于总的类间散布矩阵，通过选择适当的权函数来减小边缘类的影响，因为边缘类在原始输入空间已经能很好地与其它类分开，所以在特征提取后的子空间中，边缘类的类内散布矩阵是否压缩对最后分类的影响不大。论文还在ORL人脸库和FERET人脸库上对该算法进行了测试。实验结果表明，改进的零空间法是一种很好的人脸识别方法，它能在保留特征向量个数很少的情况下达到很高的识别率。