统计模式识别方法已经成功地应用到很多目标识别问题中，一个经典的例子就是人脸识别，这是模式识别领域的一个重要研究方向。Turk和Pentland提出了基于主成分分析(PCA)的特征脸方法和Belhumeur提出的Fisher脸方法就是具有代表性的基于统计的人脸识别方法。本文针对这两类方法的不足，提出改进的特征运动算法和标准化LDA(Linear Discriminant Analysis)算法。 论文的第一部分包括一，二，三章，阐述了人脸识别的研究历史和基本方法，尤其是重点介绍了基于统计的特征脸方法和fisher脸方法。 论文的第二部分包括四，五章，提出了一种新的基于特征运动的方法，并将它用于表情人脸识别。面部表情一直是人脸识别的一个难点。为了提高表情人脸识别的鲁棒性，该方法首先利用块匹配的方法来确定表情人脸和无表情人脸之间的运动向量，然后利用主成分分析方法(PCA)从这些运动向量中产生低维子空间，称之为特征运动空间。测试时，先将测试人脸与无表情人脸之间的运动向量投影到特征运动空间，再根据这个运动向量在特征运动空间里的残差进行人脸识别。本文介绍了基于特征运动的个人模型方法和公共模型方法。在特征运动的基础上，我们还提出了同类特征运动空间和异类特征运动空间两个子空间的概念，并且分析测试样本在这两个子空间的重建误差，以此作为分类标准，而不是简单地考虑在一个子空间里欧氏距离或者马氏距离。实验结果证明该新算法在表情人脸的识别上优于传统方法，有非常高的识别率。 论文的第三部分包括第六章，介绍了标准化LDA的人脸识别方法，它克服了传统LDA方法的缺点。新方法重新定义了样本类间离散度矩阵，在原始定义的基础上增加一个由类间距离决定的可变权函数，使得在选择投影方向时，能够更好地分开各个类的样本。同时，它采用一种合理而有效的方法解决矩阵奇异的问题，也就是保留样本类内离散度矩阵的零空间，因为这个空间包含了最具有判别能力的信息。然后在这个零空间里，寻找对应于样本类间离散度矩阵的较大特征值的特征向量作为最终降维的转换矩阵。实验结果显示在人脸识别中，该方法相比传统的LDA方法，有更好的识别率。标准化LDA也可以用于其他图像识别问题。 最后是文章的总结，提出了人脸识别问题的难点和进一步研究的方向。