人脸是人们视觉中最常见的模式之一，人脸识别由于其非接触、安全、自然、直观、便捷等特质而倍受关注，已经成为当前极具发展潜力的生物特征识别技术之一，也是目前人工智能和模式识别领域的一个热点研究课题。提取有效特征(数据降维)对高维数据的模式分类起着关键的作用。针对人脸这种生物特征的识别，降维算法的好坏直接影响人脸识别的识别率。近年来，基于流形学习的人脸识别算法引起了广泛的关注，在数据降维方面取得了较大的成功。本文首先介绍图嵌入和一些经典的流形学习算法，然后对一些已存在的降维算法进行研究，并将其应用于具体的人脸识别问题中。通过在人脸库上的仿真实验和与其它算法对比，验证了本文算法的有效性。主要工作体现在以下几方面：（1）为解决邻域保持判别嵌入算法所面临的小样本问题并能充分利用类内邻域散度矩阵零空间和非零空间中的判别信息进行人脸识别，提出一种完备正交邻域保持判别嵌入的人脸识别算法。首先间接地利用特征分解方法去除总体邻域散度矩阵的零空间；然后分别在类内邻域散度矩阵零空间和非零空间中提取最优判别矢量。此外，为进一步提高算法的识别性能，给出了基于瘦QR分解的正交投影矩阵的求解方法。在ORL和Yale人脸库上验证了以上算法的有效性。（2）利用正交投影技术进行降维可以更好地保留与度量结构有关的信息，提高人脸识别性能。在谱回归判别分析(SRDA)和谱回归核判别分析(SRKDA)的基础上，提出正交SRDA(OSRDA)和正交SRKDA(OSRKDA)降维算法。首先，给出基于cholesky分解求解正交鉴别矢量集的方法，然后，通过该方法对SRDA和SRKDA投影向量做正交化处理。其简单、容易实现而且克服了迭代计算正交鉴别矢量集的方法不适应于谱回归(SR)降维的缺点。ORL、Yale和PIE库上的实验结果表明了算法的有效性和效率，在有效降维同时能进一步提高鉴别能力。（3）零空间线性判别分析(NLDA)，在数据降维和特征提取上表现出较好的性能，但是该方法本质上仍是一种线性方法。为能有效提取数据的非线性特征，提出了零空间核判别分析算法(NKDA)并将其应用于人脸识别。首先，利用核函数将原始样本隐式地映射到高维特征空间。然后，采用一次瘦QR分解求解核类内散步矩阵零空间鉴别矢量集。最后，再进行一次Cholesky分解求解具正交性的核空间鉴别矢量集。与NLDA相比,NKDA具有更好的识别性能而且在大样本情况下也能应用。另外，基于NKDA，发展了增量NKDA算法，当增加新的训练样本时，能正确的更新NKDA鉴别矢量集。在ORL库、Yale库和PIE子库上的实验结果表明了算法的有效性和效率，在有效降维同时能进一步提高鉴别能力。