随着计算机技术的飞速发展和社会公共安全需要的日益增长，身份识别受到极大的重视，作为典型的生物特征识别的人脸识别也逐渐成为研究热点之一。尽管线性子空间方法在人脸识别中已经取得了极大的成功，但是研究表明人脸图像很可能是分布在一个嵌入到高维图像空间的低维非线性子流形上，且人脸识别往往是高维小样本问题，在小的样本集训练得到的子空间分类器效果不是很好。本文以流形学习为基础，对非参数核流形学习降维方法、半监督流形正则化分类方法进行深入的研究。本文主要进行了以下研究工作：(1)研究基于非参数核谱回归的降维方法通过对流形学习相关理论和技术在特征提取中的研究，针对图嵌入核扩展方法中的核函数的选择和构造影响着方法的性能，且流形学习降维通常需要涉及计算时间、空间复杂度高的稠密矩阵的特征分解问题。本文基于流形学习图嵌入降维框架，引入非参数核学习和谱回归方法，提出基于非参数核谱回归的降维方法，有效避免了针对特定问题核函数选择和构造难题，具有高效性和可扩展性。(2)研究基于半监督流形正则化的极速学习机方法针对基于核的半监督学习方法具有高计算复杂度，结合流形正则化和成对约束信息，以及快速学习能力的极速学习机方法，提出一种新的基于半监督流形正则化的极速学习机算法，提供了传统的半监督方法的一种近似方法，不仅适用到半监督的情况，而且其决策函数的形式适用于大规模的学习任务，在真实数据集上的实验结果验证了所提出算法的有效性。(3)设计并实现基于流形学习的人脸识别原型系统通过改进人脸识别过程中的人脸数据降维方法和人脸识别分类方法，设计并实现了基于非参数核谱回归的降维算法和半监督流形正则化的极速学习机的原型系统，使用ORL、Yale及人脸数据库作为实验数据完成了软件系统设计。