特征提取技术在模式识别领域中是最基本的问题之一。在人脸识别中,能否提取有效的鉴别特征是实现人脸准确识别的一个主要因素。人脸识别过程一般可以分为人脸检测与定位和人脸图像预处理、人脸的特征提取、人脸识别三个部分。由于人脸图像中的许多信息包含在样本的高阶统计量中,并且人脸样本数据结构属于一种非线性结构,所以许多特征提取方法采用流形学习来发现人脸的内部结构。本文对基于流形的人脸图像特征提取方法进行了研究,论文的主要工作体现在以下几个方面：1、图像多模态扰动的人脸识别方法(Muiti-modal Disturbing Face Recognition Algorithm)为了克服因人脸图像检测引起的配准不稳定性和小样本引起的维数灾难,由一副二维人脸图像通过上下左右平移生成四个图像,把生成的图像与原来的图像一起加入训练样本集,构成新的训练图像集。基于二维图像,结合图像局部结构信息,设计准则函数,获得双投影矩阵,抽取人脸特征。该方法一定程度上消除了小样本问题,扩大了人脸图像表示的多样性,并且有利于克服因位移带来的图像不稳定性。算法根据数据样本的类别信息分别构建类内和类间近邻图,保持了流形的局部几何结构和判别结构。对待识别人脸图像,由它的扰动图像设计识别方法。与传统的人脸识别方法相比,该方法的识别效果更好。2、基于局部结构信息的双线性判别分析方法(Bilinear Discriminant Analysis Method Based on Local Structure Information)提出一种新的基于图像矩阵的线性判别方法,即基于局部结构信息的双线性判别方法,从图像行列两方向同时抽取图像特征。野点可以视为由于噪声的引入而引起的图像变形,根据样本邻域信息,定义样本可靠度,检测野点。可靠度也表征一个样本是边界点的程度,结合样本邻接权重和可靠度,设计特征抽取目标函数。根据类内散布矩阵和类间散布矩阵的特点,设计迭代算法计算投影矩阵,降低了算法的复杂性。3、线性不相关鉴别人脸识别方法(Uncorrelated Linear Discriminant Analysis and Face Recognition)分析了特征脸算法的原理,特征脸空间的形成方法以及特征脸算法的实现过程,阐述了子空间线性鉴别分析算法及其实现。提出利用图像矩阵直接构造图像散布矩阵,设计了一种新的基于图像矩阵的线性鉴别分析方法。与以往的基于图像向量的鉴别方法相比,它的能够提高特征抽取的速度。设计了一种新的Fisher最优判别准则,利用生成的鉴别矢量对人脸数据投影能使样本类内离散最小,类间离散最大,鉴别矢量之间具有不相关性。ORL和’YALE数据库上的实验表明改进后的算法具有优于前两个算法的识别性能。