人脸识别是图像识别研究领域中发展迅速、成熟且应用非常广泛的方向之一。人脸识别的过程分为多个环节，特征提取是其中最为关键的一环，怎样利用特征提取获得最多的有效特征是我们研究的关键问题。人脸识别的图像往往是高维数的，但是这些人脸样本图像在高维空间中分布是非常稀疏的，这样就会给人脸识别过程带来相当大的挑战。同时光照变化等问题一直以来是人脸识别中非常突出的问题，这些问题的存在同样阻碍人脸识别的发展。主成分分析（Principal ComponentAnalysis，简称PCA）方法是把图像矩阵转换成列向量进行处理，从而丢失了一部分结构化特征信息，并且使协方差矩阵的维数很高、计算量很大。其中改进了的二维主成分分析（Two-dimensional PrincipalComponent Analysis，简称2DPCA）方法直接在图像矩阵上进行处理，充分利用了样本类别的差异，相比PCA特征提取方法提高了识别效率。然而2DPCA识别产生的冗余参数对存储空间要求很高。同时，2DPCA方法对人脸识别中光照变化鲁棒性不是很强。为了解决2DPCA存在的上述问题，本文把非参数子空间分析（NonparametricSubspace Analysis，简称NSA）方法融合到2DPCA方法中去，这样做既可以降低2DPCA方法特征向量的维数和减少冗余参数，又能加强主成分分量对于人脸识别的贡献率。其中NSA方法是一种子空间学习方法，它可以降低维数和加强有利于鉴别的局部信息，所以它可以使2DPCA在光照方面表现性能提高。