近年来,随着图像处理和计算机技术的迅猛发展,模式识别技术越来越得到广泛关注。如何取得更好的识别效果是模式识别研究的首要任务,因此抽取有效模式特征和设计高效分类器变得十分关键。目前最为经典的特征抽取方法有两类：一类是基于鉴别的特征抽取,如Fisher线性鉴别分析；另一类是基于重构的特征抽取,如主成分鉴别分析(PCA)和核主成分鉴别分析(KPCA)。基于鉴别准则的方法能够提取有利于分类的有效信息,但是对于噪声敏感；而基于重构的方法在可扩展和抗噪声等方面有很好的表现。这两类经典的算法在实际应用中仍存在诸多问题,而且人脸图像很容易受外界干扰。因此,如何有效提高识别率,更充分地利用图像信息是我们目前主要探讨的问题。本文针对现有基于重构的特征抽取算法和分类器的缺点,对基于线性重构的特征抽取和分类器方法进行了深入的研究,主要工作如下：1、基于局部线性重构的核主成分分析鉴于在经典的核算法无可避免的弱点,本文找出了最有代表性样本来代替原来的核空间。在选取样本的同时又保留了其空间流形结构,这样找出的样本点不仅具有代表性而且在作为核空间时又能减少计算机运算时间提高效率。因此我们结合局部线性重构保留样本的内部结构,找出的最有代表性的样本子集,并通过一定的优化机制优化了该算法。2、基于l2范数重构的鉴别投影鉴于l2范数的最小二乘回归模型在重构方面的优秀表现,本文在前人研究的基础上做出了改进,用l2范数重构代替了稀疏重构。在投影空间中,用l2范数计算样本的重构系数,然后用每类样本分别对此样本重构,要求同类样本重构误差尽可能小,非同类重构误差尽量可能大,用它们的比值来直观判定重构效果。实验证明基于本算法的特征抽取和分类可以完美融入识别系统,而且本算法在低维空间中构造散布矩阵并且分类,速度快效率高鲁棒性强。在Yale-B和AR两个人脸库上的实验证明了本算法的优越性。3、基于核化的拉普拉斯协作重构表示的分类器本文提出了基于分类的核拉普拉斯协作重构。首先将样本投影到核空间,本文用l2范数对输入样本进行重构,保证重构误差最小并且要求重构后的样本也能保持局部结构不变,这样我们不仅考虑了局部也保持了整体性,通过一系列优化机制,我们得到重构系数。分类时我们结合了协作重构分类,以取得更好的分类效果。在ORL和FERET人脸数据库上的实验验证了该算法的有效性。4、两阶段基于核化的拉普拉斯协作重构表示的分类器本算法将上一章的算法融入到两阶段稀疏重构分类中,提出核拉普拉斯两阶段稀疏重构。第一阶段先用训练样本的所有样本对某一测试样本重构,选出其中M个贡献最大的样本组成子样本集及其类别标签。第二阶段用选出的类别标签重组重构子集对该测试重构并进行分类。由于在重构中我们将样本投影到核空间中后数据样本已经线性可分,加上又融入了流形算法保持了样本之间的几何结构,所以在实验结果上来看本算法从各方面都优于之前的算法。