人脸识别在模式识别与计算机视觉领域中颇受科研人员的热爱,属于生物识别的研究范畴。其中,特征提取是模式识别众多问题中最为重要的一环,人脸识别技术研究的关键所在就是如何提取有利于分类的鉴别特征。传统的全局特征提取方法无法提取人脸图像的局部特征,传统的局部提取方法无法顾及人脸图像的全局特征,并且存在数据维度过高、样本数少和识别效果不理想等问题。本文就基于多流形的特征提取理论和方法做了以下相关研究,主要工作分为以下几部分:(1)阐述了人脸识别的概述、研究背景及内容、应用及难点等,并简要介绍了几种典型的人脸数据库。(2)详细介绍了四种经典的人脸识别特征提取方法:主成分分析(PCA)、线性鉴别分析(LDA)、局部保持投影(LPP)和局部线性嵌入(LLE)方法。并对这四种方法的优缺点进行了简要阐述。(3)在最大间距准则(MMC)算法的基础上,通过引入多流形思想,提出了基于多流形的最大间距准则局部图嵌入(MLGE/MMC)算法。此算法首先构造出多流形外部散度,其次通过多流形内部重建权重矩阵构造出多流形内部散度,最后要达到的目的就是使流形外部的间隔可分性最大以及流形内部的变化最小。与此同时,最大限度地扩大流形边缘,以此更有效地进行特征的提取与分类。此算法采用MMC准则的形式构造目标函数,有效解决了因训练样本较少而导致算法的判别能力下降的问题。(4)非监督线性差分投影(ULDP)方法能使相距比较远的数据点之间的非局部散度达到最大。但ULDP方法也存在着以下不足:1)在学习过程中过分依赖训练样本的数目,当遇到小样本问题时,就严重限制了此方法的应用;2)在提取的众多特征中,无法揭示了哪些特征对分类与预测起到主导作用。为此,我们提出了基于多流形的非监督线性差分投影(MULDP)算法。此算法能得到嵌入在高维空间的低维流形,实现了局部与全局结构信息的有效保持。(5)最后运用MATLAB平台创建了人脸识别系统,来验证经典方法和本文所提出的方法。