手背静脉识别是生物特征识别技术领域的重要组成部分,具有非常广泛的应用前景。如何从手背静脉图像中有效地提取出区别于其它个体的特征,是手背静脉识别研究的一个关键所在。在众多的特征提取方法中,子空间方法以其描述能力强、计算代价小、可分性好等特点而备受研究人员的亲睐,现已成为手背静脉图像识别的主流方法之一。本文以基于子空间分析的手背静脉特征提取为主题进行了相关研究,针对现有特征提取方法存在的问题,将多种特征提取手段相结合,提出几种高效的手背静脉特征提取算法。本文主要工作及贡献如下：(1)首次将用于线性回归的偏最小二乘算法用于手背静脉识别。由于偏最小二乘法同时从输入变量(利用训练样本构造的)和输出变量(包含训练样本的类别信息)中提取主成分,并充分考虑主成分之间的关系,因此偏最小二乘法可以用训练样本解释图像的类别信息,提取具有更多图像类别信息的、对于分类匹配十分有利的特征。实验结果表明,将偏最小二乘法用于手背静脉识别可以获得比传统降维方法—主成分分析和独立成分分析更加理想的识别性能。(2)针对独立成分分析在提取手背静脉特征时没有考虑训练样本中的类别信息、影响分类效果的问题,将独立成分分析和广义判别分析相结合,提出了一种新的手背静脉识别算法—广义判别独立成分分析。首先运用独立成分分析降低手背静脉空间的维数,得到训练样本的统计独立基向量,再对基向量张成的子空间实行广义判别分析,提取分类特征。实验结果表明,类别信息的融入大大提高了算法的识别率。(3)非负矩阵分解在非负性约束下,对非负的样本数据进行非负分解,学习得到的基向量中含有图像的局部特征信息,且具有明确的物理含义,是一种有效的特征提取方法。但是非负矩阵分解是非监督学习算法,识别能力不强。为此,本文引入核直接判别分析,提出了核判别非负矩阵分解。在该方法框架中,利用样本数据的局部特征来构建分类向量,使得在新的特征空间中,同类样本的投影向量集中,而异类样本的投影向量分散。实验结果表明,本文提出的核判别非负矩阵分解算法兼顾了样本的局部特征和样本的可分性,获得了比较理想的识别结果。(4)将基于流形学习的子空间特征提取方法用于手背静脉识别,运用局部保持投影来保持手背静脉空间的流形结构,提取局部判别特征。但是在小样本手背静脉识别中,局部保持投影特征方程矩阵存在奇异性。解决此问题的传统方法是运用主成分分析对原始数据样本进行降维,以确保特征方程矩阵是非奇异的,再运用局部保持投影进行特征提取。然而主成分分析只考虑了图像数据中的二阶统计信息,无法利用那些可能包含像素间的高阶统计关系的重要信息。为了解决这个问题,对主成分分析与局部保持投影相结合的方法进行改进,运用核主成分分析降低手背静脉空间的维数,以最大程度地保持局部判别信息,提取图像中的非线性特征。实验结果表明,核主成分分析与局部保持投影相结合的方法识别性能要优于主成分分析与局部保持投影相结合的方法。(5)对二维特征的手背静脉识别方法进行了研究,针对传统基于二维图像矩阵的算法只在图像的行方向进行数据压缩、且提取的特征维数较高的问题,提出了基于分块双向二维局部保持投影的手背静脉特征提取方法。该方法首先对手背静脉图像进行分块,然后针对所有训练图像对应位置上的子图像,构造样本集,实施二维局部保持投影,以提取行方向的局部特征,再将特征矩阵转置,实施第二次二维局部保持投影,进一步提取其列方向的局部特征,得到每个位置上子图对应的投影矩阵,然后将每个位置上的子图分别投影到各自对应的子空间上,最后组合成特征矩阵。两次局部保持投影的施行可以使得图像行和列方向上的维数都得到有效的约简。实验结果表明,与传统的基于二维矩阵的特征提取方法相比,分块双向二维局部保持投影算法最大程度地保留了图像像素间的空间结构信息,降低了旋转、光照等的影响,能够获得比较理想的识别结果。