随着计算机和科学技术的不断进步,方便、高效的身份识别技术——人脸识别技术便应运而生,近年来它已经成为模式识别与机器学习领域一个热点的研究课题并且已经被普遍地应用于智能监控、公共安全管理、数字身份认证等领域。人脸识别需要经过采集人脸图像、图像预处理、特征提取和人脸识别这四个过程。其中,特征提取与人脸识别是关键步骤,本文针对特征提取和人脸识别这两方面进行研究。1、研究了主成分分析(PCA)、线性判别分析(LDA)和局部保持投影(LPP)等典型的人脸特征提取方法,包括一维和二维两种情形。针对每一情形下的几种特征提取方法,分析了他们的区别与联系,为下文中算法的改进做铺垫。2、研究了一种基于改进的自适应局部保持投影算法的人脸识别方法。为了避免参数的选择对识别率造成的影响,首先构造无参数的近邻图,能够自适应的选取样本的近邻点并确定其相应的边权。其次由于在计算过程中出现矩阵维数过高问题,我们采用QR分解进行降维处理。最后利用共轭正交化使得获得的投影轴具有统计不相关性,以降低特征矢量间的统计相关性,提高识别率。实验方面,首先进行了尺度因子?值的选取实验。其次在多种数据库(ORL和YALE)上进行实验,结果表明本文算法是有效且稳定的,并且与LPP、DLPP和LMMC等算法相比,具有更高的正确识别率。最后增加了两个比较实验,一个是本文算法使用不同分类器的比较实验,另一个是本文算法在无不相关条件和加不相关条件的对比实验,实验结果均表明本文算法是有效的。3、研究了一种结合2DLPP和2DPCA的双向压缩人脸识别方法。为了克服一维特征提取的缺点,首先对一维的LPP算法进行了升级,改用2DLPP算法。其次由于一般的各类二维算法只可以从一个方向对目标数据进行降维提取特征并且所降至的维数选择也受到限制,我们采用从水平和垂直两个方向对样本图像进行降维处理提取特征的技术,以提高识别率。实验方面首先为了验证本文算法(2DLPP+2DPCA)在识别率方面的优势,在ORL人脸库上与其他算法进行了比较实验;随后,为了验证本文算法(2DLPP+2DPCA)的有效性,在不同于ORL人脸库的其他人脸库(YALE)上进行了比较实验;最后为了验证本文算法理论中提到的在列方向和行方向上都降维能提高识别率的正确性,进行了2DLPP+2DPCA算法与2DPCA+2DLPP算法的比较实验。