人脸识别技术是近二十年逐步发展成熟起来的一门崭新的信息技术,是模式识别领域的重要研究课题,90年代更成为科研热点,在计算机视觉、客户身份鉴别、多媒体数据检索等领域有着十分广泛的应用前景。特征抽取是人脸识别的基本问题,其主要任务是数据维数约简。近年来研究表明,人脸数据是一种非线性结构,而流形学习作为一种非线性维数约简方法,受到了广泛的关注,但是其经典算法在模式识别中的应用十分困难,因此学者通过研究提出了诸多改进算法,在人脸识别问题中也有了较好的运用。本文将流形学习思想与其它维数约简方法相结合,进行深入研究,提出了一些改进算法,在多个人脸图像数据库上的实验结果验证了本文改进算法的有效性。本文主要工作包括:1、无监督鉴别投影技术(unsupervised discriminant projection, UDP)用于对高维数据进行维数缩简,在人脸识别问题中有了较好的应用,它同时考虑到样本的局部特征和非局部特征,但是在人脸等高维图像识别的应用中,不可避免的会出现“小样本问题”。联想到线性维数约简中,运用最大散度差准则对Fisher准则进行改进,从理论上消除了“小样本问题”。本文提出一种基于散度差的无监督鉴别特征抽取,由于避免了局部散度矩阵奇异所产生的问题,提高了识别率,增强了算法的稳定性。在ORL人脸库和AR人脸库上的实验结果验证了该算法的有效性。2、核局部保留投影(kernel locality preserving projection, KLPP)是一种非线性的维数约简方法,它将核方法和流形学习思想有效地结合起来。但是该算法只考虑到样本的局部特性,忽视了对分类有效的重要信息。无监督鉴别投影技术(UDP)将样本的整体特征和局部特征有效地结合起来,但它本质上是一种线性的特征抽取算法,无法抽取样本的非线性特征。本文提出一种基于核方法的无监督鉴别投影,它将样本的局部特性和非局部特性相结合,并能够有效地描述人脸图像的非线性变化。在Yale库上的实验表明,该方法的识别率明显高于UDP和PCA(Principal Component Analysis),且有较好的分类效果。3、线性鉴别分析作为一种线性维数约简方法,不能够抽取样本的非线性信息,但是由于其运用到了样本的类别信息,因此有较好的分类效果。无监督鉴别投影技术(UDP)与大多数流形学习方法一样没有运用到样本的类别信息,本文将该方法与线性鉴别分析相结合,提出了一种基于流形的有监督特征抽取方法,在最大化非局部散度的同时最小化局部散度和类内散度。该方法不仅能够发现样本的低维非线性结构,而且能够进行有效分类。另外,为了克服其内在缺陷,即小样本问题,将散度差与之相结合,提出了基于散度差与流形的有监督特征抽取,增强了算法的稳定性以及识别率。在ORL人脸库和Yale人脸库上的实验证明了改进算法的有效性。