在计算机技术迅速发展的今天,人脸识别作为一种直接和友好的模式识别技术,受到越来越广泛的关注。本文主要对基于空间变换的流形学习方法Isomap算法和LPP算法、稀疏描述方法以及LSIR算法这几种图像描述方法进行人脸识别的研究和改进。Isomap算法是一种保留数据全局结构的空间变换方法。针对邻接图不连通时Isomap算法不能正常运行的问题,总结和提出四种基于不同距离计算策略的Isomap扩展算法,实验证明在特定的参数设置下这些扩展算法都能获得较MDS算法更好的人脸识别性能。针对多流形重叠不利于识别的问题,提出将聚类技术与Isomap算法相结合的改进算法KCIsomap算法和HCIsomap算法,它们在一定程度上提高了Isomap算法的人脸识别精度。LPP算法是一种保留数据局部结构的空间变换方法。在两种常规LPP求解模式的基础上,通过目标函数的形式变换得到一种改进的求解模式。改进的LPP求解模式能有效的解决常规LPP求解模式中的SSS问题和不能保留数据局部结构的问题,并获得更高的人脸识别精度。流形学习方法是忠于结构的图像描述方法,它以最大程度保持样本的结构为目标;稀疏描述方法和LSIR算法则直接用训练样本的线性组合表示测试样本,同时要求表达结果与原始数据间的偏差最小,是忠于数据本身的图像描述方法。稀疏描述方法中,BP算法用线性组合系数的绝对值之和来衡量描述的稀疏性,通过线性规划方法求出对测试样本的稀疏描述;MP算法则通过不断对测试样本和残余进行投影分解,获得对测试样本的稀疏描述。本文首次将MP算法用于人脸识别的研究,它的识别性能在大多数情况下等于或超过了基准人脸识别算法的性能。虽然MP算法的人脸识别精度不如BP算法的高,但它的计算效率比BP算法高很多。LSIR算法摒弃稀疏描述方法的稀疏性限制,使用所有训练样本的线性组合对测试样本进行描述。通过将数据层融合方法与LSIR算法相结合,提出一种基于复矢量的CV-LSIR算法。实验结果表明,CV-LSIR算法能获得较好的人脸识别性能。