人脸识别的研究成为当前模式识别和人工智能领域的一个研究热点。虽然人类能毫不费力地识别出人脸及其表情，但人脸的自动机器识别却是一项极具挑战的课题，涉及到模式识别、图像处理及生理、心理学等方面的诸多知识。它在理论和应用中的潜在价值一直激励着科研人员的不懈努力。 人脸识别概念可简单的描述为：给定某一场景的静态图片或动态视频图像，根据所存储的脸面数据库识别或确认一个或更多的人。在计算机视觉领域里，人脸识别过程分为人脸检测、特征提取、识别或确认三部分完成。特征提取是其中一项非常重要的组成部分。 本文以核技术(kernel)和Foley-Sammon线性鉴别分析(Foley-Sammon Discriminant Analysis, FSDA)的思想为主要研究方法，以人脸识别的各关键步骤为主要应用目标，系统研究了人脸识别的技术理论。 现实中原始样本的分布通常是高度复杂和非线性的，利用传统的方法来解决分类问题一般不能取得令人满意的结果。受SVM理论中有关核技术的启发，本文提出了一种非线性特征抽取方法—KFSDA方法(kernel-based Foley-Sammon discriminant analvsis)。KFSDA方法综合了FSDA和核技术的优点，KFSDA基本思想是：首先将原始训练样本通过一个非线性映射变换到某一高维(可能是无限维)特征空间H中，然后在高维特征空间H中完成FSDA。FSDA的基本思想就是在Fisher鉴别准则函数取极值的条件下，先求得一组满足正交条件的最佳鉴别矢量，然后再将高维特征矢量投影到这些鉴别矢量上，来构成低维的特征空间，以使模式识别可在低维空间中进行。 利用它来抽取原始样本特征，一方面能够使得高度复杂和非线性的原始样本线性化和简单化；另一方面能够使得样本特征之间的冗余信息明显地降低。在ORL标准人脸库上的实验结果验证了本文方法的有效性。