在人脸识别算法中，子空间分析方法由于计算代价小、描述能力强等特性，成为目前人脸识别的主流方法之一，广泛应用于人脸识别的特征提取过程中。传统的基于子空间理论的人脸识别算法是建立在人脸空间是线性可分空间的假设基础上，但是人脸空间被认为是嵌套在高维空间中的非线性流形，与人脸类别有关的特征信息就存在这个流形中，所以许多子空间特征提取方法都是通过采用流形学习来发现人脸模式的内蕴结构。由于非线性流形学习算法计算量大，而且很难实现增量学习，严重阻碍了其在模式识别与人工智能领域的应用。局部敏感判别分析（Localiy Sensitive Discriminant Analysis,LSDA）是基于流形学习的线性降维方法，因其具有出色的局部线性结构的保持能力又能真实地反映数据的流形结构具有很好的分类性能，成为目前流形学习中主流方法之一。但是，流形学习算法不能有效地消除图像特征向量中如高阶相关等冗余信息，而且LSDA作为一种线性算法，当人脸图像特征存在于受光照、姿态、表情变化等影响的复杂非线性结构空间中时，这种线性算法就有不可避免的缺陷，并没有更好地发掘这些非线性因素。本论文的主要研究内容和工作体现在以下几个方面：1.基于Log-Gabor变换的人脸特征提取算法。通过对Gabor变换和Log-Gabor变换的详细分析研究和实验比较，证明了Log-Gabor变换在提取人脸特征方面具有很大的优越性。2.对基于局部敏感判别分析（LSDA）算法的人脸识别方法以及改进的算法OLSDA的原理和实现过程进行了详细分析和算法性能的比较。3.采用Log-Gabor小波来获得原图像数据集中的高阶相关性，然后在降维后的特征上实现基于流形学习的子空间分析方法，其包括核心算法正交局部敏感判别式分析（OLSDA），最后选择适当的分类器对所提取到的人脸特征进行有效的分类，完成整个人脸识别过程。