人脸识别的应用已经不再局限于安防、身份验证等领域,特别是近几年兴起的互联网金融、智慧城市等都为人脸识别等生物特征识别技术提供了巨大的潜在市场。人脸自动识别系统主要包括两大部分：检测定位部分与特征提取部分。特征提取作为人脸识别系统中关键的一步,其抽取结果的好坏直接影响了后续的分类识别。特征提取的主要目的是降低样本维数,如何有效地从人脸图像中抽取并描述个体特征,是人脸识别研究的关键问题之一。本文系统地介绍了目前具有代表性的人脸降维算法,包括经典的线性降维方法如主成分分析(PCA)方法、线性判别分析(LDA),以及流形学习中的线性方法如局部保持投影(LPP)等。在分析了上述方法各自优缺点并结合实际应用情况引出半监督降维方法,并以半监督判别分析(SDA)为例详述了算法思想及步骤。在此基础上借鉴流形正则化提出一种正则化半监督判别分析算法。该算法通过构建所有样本的近邻图来估计数据的局部与非局部几何结构,然后将此作为正则项引入改进的LDA的准则函数中,最后最大化目标函数来获得一组有效的分类投影轴。为了方便测试算法,本文最后实现了基于MATLAB的人脸测试仿真系统,并给出了相关系统设计、部分模块的具体实现。本文的贡献主要有：提出了一种正则化半监督判别分析算法,该方法通过重构类内、类间散度矩阵,强调了具有较小类间距的类并对类间距较大的类赋予惩罚,避免了有较小类间距的类重叠；在构造近邻图的过程中同时考虑了样本的局部和非局部几何结构,对分类产生了积极的影响,且由于添加了正则项在一定程度上解决了小样本问题；该方法是半监督性质的,对比同类算法,在样本标签较少的时候也表现出了很好的鲁棒性。最后在ORL和YALE人脸数据库上的实验结果证明了该算法具有较好的识别效果。