人脸识别是通过分析人脸特征,比对特征信息来识别身份。基于子空间分析的人脸识别方法,是近年来研究者非常关注的提取人脸特征的方法之一。但在提取特征和识别判断的过程中,负值的出现是不易解释甚至没有物理意义的。因此,人们转而考虑基于子空间分析下的非负矩阵分解算法(NMF)。该算法通过引入非负约束,提取出人脸局部的特征,不仅体现了局部构成整体的思想,而且分解结果没有负值,可解释性强,有明确的物理意义。然而,传统的NMF算法是基于梯度下降法的思想来设计的,它利用乘性迭代规则交替更新。这种迭代方式收敛速度慢,用于特征提取的训练时间较长,难以适应大规模数据的处理。在综合研究各类非负矩阵分解算法的基础上,并考虑人脸图像在遮挡、噪声情况下的识别特性,本文提出两个基于2DNMF的改进算法：(1)针对传统2DNMF的分解所用的乘性迭代公式,用基于矩阵形式的共轭梯度法结合交替迭代得到新的迭代格式,从而得到新的列基和行基；再对这两个基,以一种加权和的方式进行类别索引,进行人脸识别。(2)通过在目标函数中引入基矩阵正交的约束条件,推导出新的迭代格式,以此替换传统的乘性迭代,得到新的列基和行基；再对这两者以加权和的方式进行类别索引,进行人脸识别。通过尽可能地考虑人脸图像行列之间的结构信息,采用分别提取的办法,使得人脸信息更加完善。实验表明,改进算法在有遮挡的人脸图像的身份识别中,得到了比较理想的识别效果。