随着人工智能技术的快速发展，人脸识别技术作为生物特征识别领域中的重要组成部分，得到越来越广泛的研究；其主要任务是根据人脸图像中的有效信息进行特征提取和分类。非负矩阵分解(Non-negative Matrix Factorization, NMF)是国际上新近提出的一种局部特征提取方法，已经成功应用于人脸识别。非负矩阵算法（NMF）的基本思想是约束矩阵所有元素均为非负，将给定的矩阵表示为左右两个非负矩阵的乘积。这种数据非负约束可以保证对原始高维数据稀疏性的、基于部分的表示。本文介绍了原始的NMF算法和综合分析了一些经典的NMF改进算法。发现NMF算法和许多改进的NMF算法在处理数据时，没有分析数据的内蕴几何结构，且假设数据的分布是全局线性的，这就大大地限制了当数据位于非线性流形时NMF算法的使用。与传统的线性降维算法相比，流形学习算法能够揭示数据内在的几何结构，寻找高维数据在低维空间中紧致嵌入以提高识别率。基于此，本文提出了稀疏约束图正则非负矩阵分解（Graph Regularized Non-negative Matrix Factorization with sparsenessconstraints，GNMFSC），该方法融合图正则非负矩阵分解（GNMF）和非负稀疏编码（NNSC），不仅考虑数据的几何信息，而且对系数矩阵进行稀疏约束，并将它们整合于单个目标函数中。在ORL和MIT-CBCL人脸数据库实验，并与其他改进的NMF算法进行比较。实验结果表明利用GNMFSC算法可以得到较强稀疏度的基图像，而且收敛速度快，识别率高。