人脸识别技术作为生物特征识别技术的主流技术之一,是国内外研究和应用的热点。目前用于人脸识别的技术比较多,都有着各自的优缺点。子空间分析方法由于其具有计算代价小、描述能力强、可分性好等特点得到了广泛的应用。本文主要研究了子空间分析方法中的主成分分析(Principal Component Analysis, PCA)和非负矩阵分解方法(Non-negative Matrix Factorization, NMF)进行人脸识别,并对两种方法进行了改进。主要工作和创新如下：PCA是应用最广泛的一种人脸特征提取方法,它能够有效地降低人脸图像的维数,又能保留原始数据大部分主要的信息。NMF是目前国际上新的矩阵分解方法,具有实现上的简便性、占用存储空间少、分解结果的可解释性等诸多优点,便于将高维的数据降维。本文对输入的人脸图像采用直方图均衡化和小波变换预处理后,提取低频子带,利用PCA与NMF两种方法提取特征构造子空间,采用支持向量机进行分类,在ORL人脸库中进行人脸识别,做了一系列数据仿真实验。本文改进了ORL人脸数据库,通过对数据库中每类的人脸排序,从而改变用于训练的样本集,取得较好的识别效果。提出改进的PCA和NMF方法,将线性判别分析思想融入到PCA和NMF方法,选择主要反映类间差异的特征向量构造新的子空间,实验结果表明,改进的方法对人脸表情、光照条件等非线性因素具有一定的鲁棒性,在一定程度上提高了人脸识别率