特征提取是模式识别中最基本的问题之一。在人脸识别中,提取有效的鉴别特征是实现人脸准确识别的一个关键因素。由于人脸空间被认为是嵌入高维的外围空间中的低维流形,与人脸类别有关的特征信息就存在这个流形中,所以许多子空间特征提取方法采用流形学习来发现人脸模式的内蕴结构。本文对基于流形学习的子空间特征提取方法进行了研究,论文的主要工作和贡献体现在以下几个方面:1.针对线性局部切空间排列没有利用人脸样本的类别信息,提取的特征有冗余,而且不能保持高维数据空间测度的问题,利用类别信息,同时根据谱回归理论,提出了使用岭回归技术的判别的线性局部切空间排列。在此基础上,引入正交变换,提出了正交判别的线性局部切空间排列,降低了算法复杂度,解决了测度保持问题。2.当人脸特征维数远远大于样本数目时,一般线性子空间方法学习得到的嵌入子空间非光滑且不能获得稀疏解。针对这种情况,使用空间光滑正则化和稀疏化技术,将正单纯形的顶点作为映射目标,采用弹性网络建立映射关系,提出了稀疏光滑的临界费舍尔分析算法,解决了反映最强信息的最小特征子集的选择问题。3.针对局部敏感判别分析只能处理向量类型的数据,不能保持图像像素间的空间信息,并且容易造成奇异性问题,提出了张量局部判别投影。提出的算法归结为迭代求解广义特征向量问题来求取张量子空间的两个变换矩阵,从而在水平和垂直方向消除图像行和列的相关性,而且压缩了特征维数,保持了图像空间信息的完整性。4.当人脸特征呈现高度非线性分布时,线性子空间方法很难提取出有效的人脸特征。将核映射的思想和邻域保持最大间距分析相结合,提出了核邻域保持最大间距分析,然后使用核岭回归技术,提出了核岭回归的邻域保持最大间距分析,克服了非线性特征提取的困难,较好地保持了人脸流形的几何结构和判别结构信息。在图嵌入框架下,对本文提出的算法进行了分析和比较,表明了提出的算法具有相应的图嵌入扩展方式和适用性。