特征抽取是模式识别中最基本的问题之一。无论是人脸识别还是字符识别，抽取有效的鉴别特征是解决问题的关键。线性投影分析，包括主分量分析(或称K-L变换)和Fisher线性鉴别分析，是特征抽取中最为经典和广泛使用的方法。本文所提出的二维多类最大散度差人脸特征提取方法也是在线性投影分析的范畴之内。　　本文围绕多类最大散度差特征提取方法展开相关研究，主要工作包括：　　首先，分析了宋枫溪教授提出的多类最大散度差方法的潜在优势及时间效率上的不足，作为一种新颖的线性鉴别分析方法，其过程仍然包含传统的图像向量化操作。结合二维图像模式相对于传统方法的潜在优势，本文提出了直接基于图像的二维多类最大散度差人脸特征提取方法（2DMSD）。在ORL，YALE，AR等多个标准人脸库上的实验证实，本文提出的方法取得了优于原先算法识别效果，同时，大大减少了原先算法的运算量，在时间效率上获得了巨大突破。　　其次，本文在原先的二维多类最大散度差方法上，引入模糊集理论，提出了一种利用样本原始分布信息的新的二维多类最大散度差方法—模糊二维多类最大散度差(F2DMSD)方法。在该方法中，原始样本的分布信息通过相应的模糊隶属度函数来表示，并且将样本的分布信息融入特征提取过程，以得到有效分类的最佳信息。实验表明，F2DMSD算法的性能优于传统的2DMSD算法。　　同时，我们在大量的实验过程中，发现不经过特征提取这一关键步骤的人脸识别在某种角度上看其识别效果并不亚于常规方法。根据这一现象，本文对其进行系统整理并提出了无特征提取的直接基于原始图像匹配的人脸识别方法，并对其中关键部分进行了深入研究。　　针对无特征提取的图像匹配算法中的关键点及难点——矩阵图像间距离计算算法，本文提出了一种改进算法。该方法有效的利用图像矩阵内各向量对最终识别所起效果相同的原理，在距离的计算方法上提出了一种相应的改进创新算法。实验表明，该方法比起传统的方法来说也不失为一种更好切实可行的方法。除了在识别率上的相对提高，该算法的提出同时也提供了一种崭新的思考问题的角度，具有一定的借鉴启发意义。