线性辨别分析算法在目标识别、图像降维和特征抽取上已经得到了广泛的应用。近些年来，国内外的许多学者将特征抽取和模式识别的研究重点放在了流形学习领域，希望通过在目标空间中保留更多的关于原始空间的局部流形信息来实现特征抽取和降维的目的。拉普拉斯脸算法是其中一种比较典型的流形学习算法，它通过引入拉普拉斯算子来保留原始空间上的局部流形信息，并通过离散截断的算法进行求解。最近，很多学者试图将局部流形学习算法与传统的线性辨别分析算法相结合，提出了拉普拉斯主成份分析算法和拉普拉斯线性辨别分析算法。 然而，拉普拉斯脸算法本身具有一定的局限性。首先，它是一种对于局部流形信息的近似算法，加权方差累加的过程在一定程度上默认了局部信息的线性特性。其次，拉普拉斯脸算法所引入的拉普拉斯算子需要在运算的时候做一个非连续的截断，经验性的截断判别准则势必对算法的整体效果产生负面影响。基于以上两点考虑，本文提出了一种拉普拉斯脸算法的贝叶斯优化方法，它并不是通过线性累加来计算加权因子对流形特征的影响的，而是通过引入积累分布函数来精确地求得拉普拉斯脸算法的一维贝叶斯最优解，之后，通过对空空间的映射将这一维最优解扩展到N维空间上。实验结果表明，贝叶斯优化的拉普拉斯脸算法较之经典的拉普拉斯算法具有更高的识别效率。