人脸识别一直以来都是计算机视觉和模式识别研究中的热点问题，对于具有不同头部转动姿势的人脸识别，估计人脸头部姿态是必要前提，因而具有重要的研究意义和实用价值。流形学习是目前用于头部姿态估计的主流方法，因为不同头部姿态的人脸图像集很自然地看成一个具有头部转动姿势流形的高维空间，因此我们研究提出了两种监督流形学习方法进行鲁棒的与身份无关的头部姿态估计问题，本论文的研究工作包括:　　提出局部保持监督流形学习方法，首先将LLE与LE方法进行集成提出LapLLE方法，构建数据的多图模型，使用基于类别标签的监督项，来获得最优的保持数据集局部几何结构的低维流形嵌入，然后提出保持拉普拉斯正则化，将低维流形嵌入用于提出的正则化最小二乘中，获得直接的显式映射，从而解决了流形学习方法无法快速获得直接显式的映射问题，有效地解决样本外扩展，并且基于FacePix数据集的实验验证了提出的方法显著地改进了头部姿态估计的性能。　　提出局部判别监督流形学习，它充分探索了数据的判别信息和同时的保持流形几何结构，将基于拉普拉斯判别流行结构项加入到LapLLE中来获得判别流形嵌入，然后基于判别流形结构提出判别拉普拉斯正则化用于获得判别的直接显式映射，从而有效地处理样本外学习问题，流形可视化验证了提出的方法的假设，并且实验验证了提出的算法在头部姿态估计问题的有效性和性能。　　提出了监督流形学习框架，将提出的流形学习方法分为两步，第一步使用非线性流形学习方法，来获得低维的嵌入结果，第二步使用提出的正则化方法来学习从高维数据到低维嵌入的直接的显式映射，从而有效地解决流形学习的谱方法无法有效地处理样本外学习问题。　　最后基于开源Hadoop平台使用MapReduce编程模型并行实现了提出的监督流形学习方法，并且在Hadoop集群上验证了监督流形学习并行化算法的正确性，可行性和可扩展性。