随着计算机技术、图像处理技术的飞速发展，人脸识别(Face Recognition)技术已成为世界和平、国家安全、社会稳定等层面备受关注的研究热点，并逐步形成一门重要的生物特征识别技术。特别是20世纪90年代以来，以主成分分析(PrincipalComponent Analysis, PCA)和线性鉴别分析(Linear Discriminant Analysis, LDA)为代表的子空间方法的进一步研究，有力地促进了人脸识别技术的发展，使得人脸识别技术在防恐、反恐、刑事侦查、机要管理等方面得以广泛应用，并成为刑侦领域不可或缺的重要手段和基准方法。本文通过研究主成分分析与Fisher鉴别分析这两类子空间方法的现有算法与关键问题，寻找两者之间的切合点、研究新算法，旨在提取出不失表征性同时具有较强鉴别力的人脸识别特征。主要工作如下：围绕人脸图像样本镜像对称特性在主成分分析中的应用展开研究，鉴于人脸呈现出相对严格的关于正面中心垂直线的镜像对称特性，利用镜像图像作为一类人脸虚拟样本，扩大了训练样本容量，克服了人脸姿态、视角、旋转等因素的影响。在深入分析现有的对称主成分分析算法的基础上，针对核对称主成分分析(Kernel basedSymmetrical PCA, KSPCA)算法存在的核函数选取范围类型局限、缺乏特定样本具体分析能力等问题进行研究与改进，提出了基于插值核方法的广义核对称主成分分析(Generalized KSPCA, GKSPCA)算法。研究了Fisher鉴别分析中鉴别准则的推广、鉴别向量集的正交性、统计不相关性等关键问题，针对现有的两步算法存在鉴别向量类型与个数受限、鉴别特征维数受限及统计相关性的问题，基于在表征空间中提取鉴别特征的算法思想，提出了两种改进的核Fisher鉴别分析两步算法，即WKPCA+LDA与GKSPCA+SLDA。其中，WKPCA即白化的核主成分分析(Whitened Kernel based PCA)，SLDA即基于Fisher对称零空间鉴别准则的LDA。WKPCA+LDA中，提出了NLUSODVs(Non-LinearUncorrelated Space based Optimal Discriminant Vectors)及其一般化求解方法，实现了在非线性统计不相关约束空间(WKPCA子空间)中求解Fisher最佳鉴别向量集的极值问题，在不失一般性的前提下，尽可能地提取出鉴别力更强且更有利于人脸识别的鉴别特征。GKSPCA+SLDA中，推广应用了两级对称准则(镜像奇偶对称表征准则与Fisher对称零空间鉴别准则)，旨在增加鉴别向量的类型与个数，同时，增加鉴别特征的维数，使人脸识别特征的表征力与鉴别力同时实现趋大化。人脸识别实验中，分析了鉴别向量的求解方法及特征选择策略对识别性能的影响，比较了两种改进算法相对于其它传统算法的优势。提出了图像增强新算法，结合Fisher鉴别分析改进算法使人脸识别更加准确快捷。针对Fisher鉴别分析中的多种双向二维线性算法，包括双向两步算法及双向组合算法，通过人脸识别实验展开讨论，分析了双向投影矩阵的求解方法及特征选择策略对识别性能的影响，同时，从实验中验证了规律性。