数据降维在模式识别中的人脸识别领域有着广泛的应用。由于表示人脸图像的数据通常具有很高的维数，而高维数不仅会导致“维数灾难”问题，而且会使人们对数据集中所隐含的结构信息难以直观的理解和发现。若对数据进行降维预处理，一方面可以克服“维数灾难”问题；另一方面可以大大减小计算的复杂性和噪声，所以数据降维方法的研究引起了研究者们的关注。本文首先对目前人脸识别领域中经典的一维及二维单向降维方法进行了较为全面的介绍，接着对二维双向降维方法张量子空间分析(TSA)和判别张量子空间分析(DTSA)进行了分析。此外，针对二维判别有监督局部保持投影方法仅利用了单边投影，从而导致投影空间还有特征可提取的问题，我们提出了二维双向判别有监督局部保持投影(BDSLPP)。然后对于TSA和DTSA的左、右投影矩阵是不正交的，而正交的投影矩阵可以保持图像数据空间的度量结构信息的问题，我们又提出了正交张量子空间分析(OTSA)和正交判别张量子空间(ODTSA)分析。最后本文将这几种方法分别在著名的ORL和Yale人脸数据库上进行了数值实验，实验结果表明这些方法都具有较高的识别率。