随着计算机技术和网络的发展，人脸识别在众多的领域已被广泛的使用。人脸识别已渐渐的成为人类探索人工智能这一领域的主要研究问题。NMF方法和图像处理的结合已成为图像处理的模式识别领域中数据降维和特征提取的一种有效的方法。非负矩阵分解(Nonnegative Matrix Factorization，NMF)的非负约束在一定程度上产生基于局部的、稀疏的非负矩阵，因此客观上为我们提供了一种用“计算”来“表达”视觉感知过程数学模型。本文介绍了原始的NMF算法并综合分析了一些经典的NMF改进算法。发现非负矩阵算法和很多改进的非负矩阵算法在处理数据时，并未考虑到数据的内蕴几何结构，这样在很大程度上限制了当数据位于非线性流形非负矩阵分解算法的使用。针对此问题，近些年来提出的流形学习(Manifold Learning,ML)算法能够揭示数据内在的几何结构，寻找高维数据在低维空间中紧致嵌入。基于此，本文提出了一种新颖的基于流形正则化的非光滑非负矩阵分解(Manifold Regularized-based Nonsmooth Nonnegative MatrixFactorization, MRnsNMF)算法，用于人脸图像的特征提取，通过构建所有样本的近邻图来估计数据空间的几何结构，然后将其作为正则化项加到非平滑非负矩阵分解的目标函数中。应用ORL、Extended YaleB和MIT-CBCL的人脸图像库进行实验，并与其他改进的NMF算法进行比较。实验表明利用MRnsNMF算法可以得到较强稀疏度的基图像和编码图像，并且收敛速度快、识别率高。