在人脸识别中,特征抽取是影响识别效果的关键步骤。特征抽取方法的好坏对识别率的高低有着巨大的影响。迄今为止,人脸识别领域的专家学者们提出了众多特征抽取方法,经典的特征抽取方法往往只能单独处理不带有监督信息,或者都带有监督信息的样本数据。然而,由于监督信息不容易得到,在实际应用中样本数据往往是只带有部分监督信息的。因此,用于处理此类数据的半监督学习方法正受到越来越多的关注。本文以半监督学习思想为基础,对人脸特征抽取方法进行了相关研究,主要的研究工作和成果如下：(1)半监督学习中基于马氏距离的邻域选择算法(Semi-supervised Neighborhood Preserving Projection Based on Mahalanobis Distance)降维是模式识别中起到关键作用的一个步骤,能否找到一个合适的低维子空间对识别性能的好坏具有重要的影响。近年来,计算机图像处理和模式识别领域见证了流形学习的快速发展。在这其中,能够应用部分标签样本的半监督邻域保持投影(SSNPP)是最有发展前景的算法之一。在SSNPP中,邻域的选择对算法性能起到了关键作用。但是常用的邻域选择算法例如k近邻算法中存在近邻参数难以确定等缺陷。因此在本文中,我们通过改进算法的两个方面来提升SSNPP的性能：1)设计高维数据空间中局部邻域样本点的自适应选择方法,2)将马氏距离应用于邻域选择过程中,并对算法进行优化。在YALE和ORL两个标准人脸库上的实验验证了该算法的有效性,在只有少量带类别信息样本的情况下,该算法仍能保持良好的分类性能。(2)线性局部切空间排列的传播半监督学习方法(Semi-supervised Dimensionality Reduction Based on Linear Local Tangent Space Alignment and Label Propagation)在人脸识别中,现有的线性局部切空间排列算法(LLTSA)存在无法利用样本中的标签信息的问题。本文对现有算法进行改进,提出了一种线性局部切空间排列的标签传播半监督算法(SSLLTSA)。该算法先使用标签传播方法,利用带有部分标签的样本数据得到软标签,然后由软标签计算出软标签散度矩阵,由此描述数据集的类问分离性和类内紧凑性。SSLLTSA有效地保持了数据集的局部结构,很好地利用了标签中的监督信息。在YALE和ORL人脸库中的实验验证了SSLLTSA算法的有效性。实验中,该算法的识别率比传统算法LLTSA的识别率平均分别提高了3.50%和3.89%。(3)线性局部切空间排列的成对约束二维学习方法(Semi-supervised Two-dimensional Manifold Learning Based on Pair-wise Constraints)针对无监督算法线性局部切空间排列(LLTSA)在处理一维数据时计算量过大的问题,提出了一种基于成对约束的半监督二维流形学习算法(2D-PCLTSA)。该算法利用二维图像矩阵作为样本提取图像特征,并使用成对约束作为监督信息。2D-PCLTSA很好地保持了样本集的特征信息,有效地减小了特征分解时的计算量,并且充分利用了样本中的监督信息。YALE和ORL人脸库上的实验中,2D-PCLTSA的识别率比算法LLTSA的识别率平均分别提高了2.85%和6.25%。特别地,在只存有少量约束对的情况下,该算法仍能保持良好的分类性能。(4)核边界Fisher分析的稀疏半监督学习方法(Semi-supervised Dimensionality Reduction Based on Kernel Marginal Fisher Analysis and Sparsity Preserving)针对人脸识别应用中的边界Fisher分析难以利用无判别信息样本的问题,提出了一种核边界Fisher分析的稀疏半监督学习方法。该算法首先对现有的样本进行稀疏重构；然后利用有标签样本构造出类内相似图和类间代价图,同时利用总体样本取得全局信息；最后,将算法进行非线性化。本文算法同时利用到了有标签和无标签样本中的信息,其投影向量能够突出对数据的分类起到关键作用的变量。利用YALE和ORL人脸库进行实验,本文算法的识别率比传统算法MFA的识别率平均分别提高了2.48%和4.88%,