二维线性判别分析(2DLDA)是人脸识别领域中的重要方法之一。与线性判别分析(LDA)方法相比,2DLDA直接从图像的二维矩阵中提取特征,在一定程度上避免了维数灾祸问题,同时降低了计算机的存储空间和计算强度。目前已经出现了一些2DLDA的拓展算法,而二维直接线性判别分析(Two-dimensional direct LDA,2D-DLDA)算法就是其中的一种。本文将对2D-DLDA进行研究,针对其运算的特点综合借鉴了经典LDA及其部分改进思想,最终得到基于2D-DLDA的一系列改进算法,以提取出更加具有判别力的特征信息,达到更高的算法识别率,并应用于人脸识别。主要工作如下：1.对二维直接线性判别分析算法进行了改进,得到2D-VFDLDA算法。通过重新定义算法中的类间散布矩阵,并使用了Fisher准则的拓展形式,以此来削弱边缘类别对于投影轴的选择造成的不利影响；另外,对样本在投影轴方向上的投影降维,采用多步Fractional处理,而不是直接的丢弃处理,使得在投影中重叠的类别能够相互分离,减少类别重叠的现象,从而使算法的识别效果能够提高。通过二维直接线性判别分析的变型算法在ORL人脸数据库中进行的多组实验,对改进之后算法的有效性进行了验证。2.由于人脸图像中存在的异常点,进一步对2D-VFDLDA算法通过引入模糊的思想,使用模糊隶属度函数来对二维的人脸图像进行描述,以此来获得相对精确的类别中心,削弱异常点对于人脸识别效果的影响。另外,对一些其他基于模糊的线性判别分析算法在相同的条件下进行实验,将这些算法的实验结果与基于模糊的2D-VFDLDA算法的效果进行比较。通过实验结果表明,改进之后的二维直接线性判别分析算法仍然具有一定的优势。