人脸识别因其重要的科学意义和实用价值而成为当前模式识别领域的一个研究热点。在过去几十年中，学者们提出了许多相关的特征提取方法，比如线性鉴别分析（LDA）、主成分分析（PCA）和保局投影（LPP）等线性方法，以及在支持向量机（SVM）的基础上演变而来的基于核函数的非线性方法等等。通过对国内外现有识别技术和方法的比较分析，本文选取了PCA和LPP算法进行深入研究，并提出了相应的改进算法。所提出的改进算法不但提高了识别性能，还能够有效地解决小样本问题。加权的PCA算法是为了解决PCA算法不能根据鉴别性大小有选择的选取主分量的问题而提出的一种解决方法。但是，它属于线性特征提取方法，不能够提取出更为有效的非线性特征。故本章对该方法进行了研究，利用核函数技巧，对其进行了扩展，提出了一种非线性方法即基于核的加权的PCA。该非线性方法既保留了加权PCA算法的优点，又提取了人脸图像的非线性特征。在FERET人脸数据上的实验表明，该算法明显优于线性方法，具有更高的识别率。局部保局投影算法（LPP）及其衍生出来的算法如OLPP、DLPP及KLPP等在人脸识别时须先采用主成分分析（PCA）算法对高维样本降维后才能应用，故直接正交鉴别保局投影算法（DODLPP）又被提出。但是由于人脸光照、表情、姿态的变化均为非线性的，而DODLPP是一种线性的提取方法，故它不能提取人脸的非线性特征。因此本文在此基础上，利用核函数对DODLPP进行核化，提出了基于核的DODLPP算法。该算法的优点是在保持人脸流形结构的基础上，充分利用了样本的信息，并采取核方法提取了人脸的非线性特征，从而获得更好的识别性能。结合最邻近分类器，在ORL人脸数据库上进行了多组实验，实验结果表明，该方法与DODLPP、KPCA、KLDA、KODLPP方法相比具有更好的识别性能。