人脸识别是生物特征识别技术的一个重要分支，被广泛应用于公共安全、身份认证、机器视觉等领域。人脸图像是典型的非线性高维数据，容易受到姿态、光照、年龄等因素的影响而变化，寻求高效鲁棒的特征提取算法，至今仍然面临着严峻的挑战。　　 本文在比较现有的人脸识别方法的基础上，对流形学习算法在人脸图像信息提取以及识别方面的应用进行了探讨，重点研究了流形学习算法中的局部线性嵌入算法(Locally Linear Embedding，LLE)，开发出一种基于改进的LLE算法的人脸识别系统，本文围绕人脸识别系统的四个主要组成部分逐步展开学习与探讨，所做的主要的工作如下:　　 (1)在ORL和Yale人脸库上，对所选取的用于实验的人脸图像进行预处理，使人脸图像的特征信息更加清晰，更有利于特征提取，以达到提高识别率的目的。本文对人脸图像的预处理包括图像角度旋转、姿态归一化、灰度均衡化、尺度归一化和去噪滤波等。　　 (2)在认真研究了局部线性嵌入、拉普拉斯特征映射(Laplacian Eigenmap，LE)、等距映射(Isometric Mapping，Isomap)三种流形学习算法的基础上，通过实验比较他们在特征提取时的降维性能。对LLE算法改进欧氏距离后的降维性能和识别性能进行实验验证，实验表明LLE算法和改进距离的LLE算法的降维效果优于LE算法和ISOMAP算法。本文改进距离的LLE算法在识别性能方面也优于传统的LLE算法。　　 (3)在对LLE算法深入研究的基础上，引入有监督思想，并结合经典的主成分分析(Principal Components Analysis，PCA)法，提出一种融合主成分分析的有监督LLE算法。通过大量的仿真实验和比较，验证了本文所提出的算法在识别率和性能上都优于传统的单纯主成分分析和局部线性嵌入算法。　　 (4)根据人脸识别系统的一般构成，在VC++6.0的平台上采用面向对象的思想，借助于Open Source Computer Vision Library计算机视觉库，开发出简单的人脸识别系统，实现了视频人脸检测追踪、人脸图像的预处理、特征提取以及人脸识别的功能，在该系统上进行实验，从系统的识别率和系统的执行性能两方面比较了PCA算法和本文改进的LLE算法的各自特点，验证了本文所提出算法的有效性。