人脸识别是模式识别中的热点研究课题，人脸识别研究的关键是特征提取。子空间方法由于计算方便、提取特征稳定等在特征提取领域得到了广泛地应用。线性子空间分析方法的思想就是根据一定的性能目标来寻找一线性的空间变换，把原始数据样本投影到一个有利于分类的低维子空间，使子空间中的数据分布更为紧凑，降低计算复杂度。本文以人脸识别的鲁棒性为目标，主要以子空间方法作为研究手段，对人脸识别方法进行了更深入的研究。
　　 本文主要围绕典型的子空间分析方法进行研究。首先研究实现了积分投影法和人脸识别的PCA方法以及SPCA方法，分析了方法的优缺点以及训练集和特征维数对识别率的影响。PCA方法是基于最小均方误差的原理，没有对样本的类内和类间进行区分;SPCA方法的实现验证了偶分量对人脸识别比较重要，奇分量容易受到外界光照条件的影响。
　　 为了能更好对类内和类间样本进行区分，本文对LDA方法进行研究实现，分析了影响其识别率的因素主要有高维小样本问题、判别特征空间的正交性问题以及边缘值问题。针对高维小样本问题首先出现了两步降维法即传统的Fisherface方法。为了改善判别特征子空间正交性并提高识别率，本文对Fisherface方法提出了一种矩阵对称性的Fisherface方法，它的依据是PCA降维所得到的特征向量是相互正交的，而Fisher准则所求出的判别空间的基是非正交的，所以修正Fisher准则使所求的判别特征向量也相互正交，可以进一步消除统计相关。试验表明此方法在识别率上比传统方法表现出更好的鲁棒性。
　　 为了改善边缘值对识别率的影响，本文还提出了一种边缘值替换的Fisherface算法，该算法首先利用PCA进行降维，消除类内离散度矩阵的奇异性，然后在降维的子空间内，以与同类样本间距离最小的样本作为参考对象，将同类的其它样本按一定权值向其靠拢，再用新的修正后的样本求取类均值，以新的类均值重新构造类内散布矩阵和类间散布矩阵。实验表明边缘值替换能够改善离群点偏离类中心的问题，并能提高识别率。
　　 本文还研究了另外一种解决高维小样本问题的方法，即直接求解Fisher判别准则的方法，针对直接求解出现的两种投影方法进行实现研究，并探讨了加权值修正对其影响。