人脸识别是目前世界上十分热门的研究方向,其涉及计算机视觉,模式识别和机器学习。高维数据中充满大量非线性,非结构化的数据,这给后续的数据处理和分析带来了十分巨大的挑战。人脸数据分布在高维数据上,维数约简方法的好坏决定了特征提取的优劣,这直接影响了后续分类任务。寻找有效的维数约简方法是人脸识别中非常重要的环节。流形学习方法是降维的一种有效手段,本文重点研究了基于图嵌入流形学习方法,详细分析几种主流的图嵌入算法,并且针对其不足之处,提出两种新的基于图嵌入流形学习的特征提取算法。本文的主要工作和创新点如下:(1)正交近邻保持投影通过建立邻接图来最小化同类局部重构误差,寻找最优的低维表示,但是该算法只使用了类内信息,所以不同类别的人脸数据点之间的结构误差不够明显。为此,本文提出了一种基于双邻接图正交近邻保持投影算法,通过建立同类与异类的双邻接图,使得数据投影到低维空间后同类近邻重构误差尽量小,异类近邻重构误差更加明显,并且很好地适用于线性回归分类器。在ORL,Yale,Extended YaleB,PIE人脸数据库上的实验结果表明,本文提出的方法是有效的。(2)提出了正则化边界Fisher分析算法,首先将类内相似度矩阵的特征空间分为三个子空间,对这三个子空间加以修正得到新的本征空间;然后将原始数据投影到新的本征空间;最后对新的类间相似度矩阵进行特征分解,从而得到最优子空间的投影。该算法有效缓解了边界Fisher分析算法中由于数据不足和噪声导致的过拟合问题。此外使用两次标准特征分解代替了一次广义特征分解,避免了矩阵奇异问题。在Extended YaleB,ORL,PIE,FERET人脸数据库上的实验结果表明,本算法优于其他特征提取算法。