近年来,流形学习用于人脸识别引起了广泛关注,有研究表明,人脸很有可能是位于一个非线性的流形上,这提示我们可以将原始数据集对应的高维空间的流形映射至低维空间的流形,通过寻找人脸训练集内在的代表性变量,根据这些变量即可将不同人的图像区别开来。很多基于流形学习方法已经被提出来,本文的主要工作包括以下几个部分:1.简要综述了当前流形学习的发展概况,介绍了几种经典的流形算法,包括等距流形映射(ISOMAP)、局部线性嵌入(LLE)以及它的变换形式:海赛局部线性嵌入(HLLE)和局部切空间排列(LTSA)等;总结概括了当前流形算法的框架:流形学习方法可以分为全局(如ISOMAP)和局部方法(如LLE,HLLE,LTSA等),从另一方面也可分为线性和非线性;分析了现在主要的流形学习方法,主要从时间复杂度、对合适的数据集的要求以及对噪声的鲁棒性等方面总结和比较了它们的不足和优点。2.在深入研究LLE的基础上提出了稀疏局部线性嵌入算法(SLLE),同时我们提出了SLLE相应的学习高维的新样本的算法。LLE是流形学习方面的经典算法,参数少、计算快、易求全局最优解,但是LLE遇到的第一个问题便是邻域的求取,这一步关系到最后嵌入结果的质量,LLE对于噪声亦非常敏感,缺乏对新样本的学习能力,在人脸识别方面的识别率很低,SLLE便是针对上述缺点提出来的。该算法能够自适应选取样本的邻域,在野值存在的情况下有很强的鲁棒性,通过在两个标准人脸库AR和ORL上的识别实验表明SLLE在人脸识别方面远远优于LLE。