人脸识别作为近年来生物特征识别技术领域的热门研究课题，具有非常重要的研究意义和实用价值。一个完善的人脸识别系统包括四个主要环节：人脸检测、预处理、特征提取、分类识别。其中，能否提取有效的鉴别特征是人脸识别能够准确识别的一个关键因素，影响了整个人脸识别系统的性能。在众多的特征提取方法中，基于子空间的特征提取方法具有计算代价小、描述能力强、可分性好等优点，得到大量的研究与应用。本文对基于子空间思想的主成分分析方法和局部保持投影算法进行了详细的分析、研究和实现，针对实验中遇到的问题，对算法进行了一定的改进，在一定程度上提高算法的性能。论文的主要工作和贡献体现在以下几个方面：①本文实验采用的人脸图像来自于现存的人脸数据库，人脸检测过程可以省略。预处理环节主要对人脸数据库的图像进行剪裁，去掉多余的部分，保留图像的本质区别。在实验前就将图像像素维数降低，减少了计算复杂度，并且去掉了图像的干扰因素。②在人脸识别过程中针对人脸图像的采用形式不同，形成了将图像矩阵转化成向量表示的一维算法和直接用图像矩阵进行运算的二维算法。在第二章中对一维主成分分析方法和二维主成分分析方法进行分析说明，通过实验验证一维算法与二维算法的优劣点。一维算法中是将二维人脸矩阵转化为一维向量进行运算，忽略了图像的内部结构特征，从而降低识别率。直接应用二维人脸矩阵计算，保留了图像的内部结构特征，但是二维矩阵的计算复杂度较高。③局部保持投影算法是基于流形学习的典型方法。在人脸识别过程中会遭遇奇异值问题，影响识别效果。在第三章中提出一种利用奇异值分解的方法。在模型中，先将样本数据投影到一个非奇异正交矩阵中，解决了奇异值问题，然后再根据局部保持投影算法求出新样本空间的低维投影子空间。将训练样本和测试样本分别投影到低维子空间中，再利用最近邻分类器进行分类识别。在实验中验证该算法的有效性和鲁棒性。④将基于列的二维局部保持投影算法应用于人脸识别，即将人脸图像矩阵中的每一列作为样本点，构造包括所有样本点的最近邻图，目的在保留图像空间内部的局部流形信息，能够较好反应出图像内部结构的关系，提高识别精度。在计算中，为了有效降低计算复杂度和邻接矩阵的维数，提高识别率，先对图像进行缩小处理，减少图像矩阵维数。在MATLAB7.0环境下，实验使用ORL人脸库和YALE人脸数据库利用文中的特征提取算法并借助最近邻分类方法构建了一个完整的人脸识别程序。通过实验效果对比，验证算法的有效性和稳定性。