人脸识别具有自然、直观、安全、快捷等特点，已经成为最具发展潜力的生物特征识别技术之一，在安全系统，信用卡验证，视频会议，公安系统犯罪等方面的应用已经成为模式识别和人工智能领域研究的热点。但人脸结构的复杂性，表情的多样性，发掘有效的特征提取算法和强泛化能力的分类器成为人脸识别系统新的挑战。流形学习作为新的非线性维数约简方法，能有效的发现嵌入在高维空间的非线性低维流形数据，挖掘隐藏的本征信息。支持向量分类机(SVM)基于结构风险最小化原则，能根据有效的样本信息在模型的复杂性和学习能力之间寻求最佳折中，具有很强的泛化推广能力。本文将流形学习与支持向量机结合，应用于人脸识别的两大模块，特征提取和分类。提出了两种改进的流形学习特征提取算法，并采用萤火虫算法优化的支持向量分类机参数仿真，验证算法的有效性。本文的主要研究内容概括如下：(1)提出了一种基于邻域动态变化的局部线性嵌入人脸识别算法。该算法采用单链聚类算法以及进一步优化算法动态获取样本邻域，降低了局部线性嵌入算法样本邻域点个数固定的不足。结合优化的支持向量机进行分类识别，理论和实验结果验证了该算法具有较高的识别率。(2)提出了一种改进距离的半监督局部线性嵌入人脸识别算法。该算法引入新的距离规则，改善了基于欧氏距离构建样本邻域结构时对于采样密度的高要求，并结合支持向量机分类识别。通过ORL和YALB人脸库上的大量实验结果表明该算法的有效性。