人脸识别是当前计算机模式识别领域中的一个非常活跃的研究课题,在法律、商业等领域具有广泛的应用前景。如何有效的从人脸图像中提取使之区别于其他个体的特征,是人脸识别研究的一个关键问题。在众多的特征提取技术中,线性子空间分析因其计算简单、有效等特性取得了巨大的成功。但线性人脸识别中存在两个突出问题:1、在光照、表情、姿态变化较大时,人脸图像分类是复杂的、非线性的;2、小样本问题,即当训练样本数量小于样本特征空间维数时,导致类内散布矩阵奇异。对于前一个问题,可以引入当今流行的核技术提取人脸图像样本的非线性特征;对于后一个问题,目前的解决方法有两类:1、基于算法的方法。即从算法本身入手,通过发展直接针对于小样本问题的算法来解决问题。2基于变换的方法。即在采用线性鉴别分析之前,通过事先给定的线性变换来达到降低图象向量的维数从而消除类内散布矩阵奇异性的目的。针对以上问题,本文工作内容如下:1整理总结了国内外学术界关于统计学习理论中核方法的研究成果,对核方法的基本理论构架进行了较为深入的研究,并将其应用到人脸识别中。2提出了一种基于算法的结合核技术的解决人脸识别小样本问题的特征抽取方法K1PMDA。通过建立新的最优判别准则和引入扰动参数,避开了对类内散布矩阵的逆矩阵的求解,进而解决小样本问题。3提出了一种基于变换的结合核技术与正交化技术的解决人脸识别小样本问题的特征抽取方法KIOFD。通过反转Fisher判别准则,事先降维消除类间散布矩阵奇异性,并结合正交化技术和核技术,解决小样本问题。