现代信息化时代中,随着科学技术的迅速发展,人脸识别已经成为国内外人员研究的热点,在实际生活中得到了广泛的应用。人脸识别是计算机进行人脸分析,提取有效特征信息,再通过分类器进行分类的识别方法,是模式识别的一个重要部分。预处理后的人脸图像样本维数通常很高,需要通过变换的方法用低维空间样本来表示高维样本,得到反映分类的本质特征。因此,特征提取的有效性对人脸识别起到了不可忽视的作用。常用的特征提取方法是基于子空间的线性方法,代表性方法如利用不同类别标签信息的线性鉴别方法LDA,然而由于忽略了现实中人脸图像的差异性,后来提出了基于平均不变因子的人脸识别方法,它通过SVD、QR分解,将人脸分为脸部共同差别、个体类间差别、个体类内差别。由于人脸样本数小于样本数据的维数,不可避免的遇到了小样本问题。为了解决小样本问题,本文借鉴之前原有的方法,分别从类内矩阵的主空间与零空间中提取正则判别特征信息和非正则判别特征信息,新算法不仅解决了小样本问题,而且还避免了原有方法存在有效信息的丢失的缺陷。每种判别特征信息在分类识别中所起的作用不同,为了充分考虑两种判别特征信息的利用,本文又提出了一种融合准则,将两种判别信息进行加权组合,并在ORL、YALE人脸数据库实现了算法的有效性与准确性。