人脸识别是目前模式识别和机器视觉等研究领域的热点问题,已经被广泛的应用于公安、验证系统和视频会议等方面。识别算法首先从训练样本中提取特征,得到特征空间,然后在测试阶段将测试样本的特征通过分类器与训练样本的特征相匹配,最终输出识别结果。因此,分类器设计和特征抽取是人脸识别中的最关键问题。特征抽取的本质就是把原始的高维数据投影到一个更有利于分类的低维特征空间中,过去几十年,很多学者提出了许许多多相关的算法。但是这些算法仍然存在诸多不足,而且人脸图像很容易受外界干扰,因此如何有效提高识别率,更加充分的利用图像信息是目前主要探讨的问题。本文在深入研究一些传统的基于子空间方法的基础上提出了一些改进,主要涉及到尺度度量和l2范数这两个概念,最终在多个人脸数据库上验证了这些改进算法的有效性。全文主要工作概括如下：1、自适应监督鉴别投影分析(Adaptive Supervised Discriminant Projection)针对无监督鉴别投影的缺点,本章提出了一种自适应监督鉴别投影分析算法。该算法它将动态反馈策略集成到散布矩阵的构造过程中,同时充分利用了训练样本的类别信息。在AR库和FERET库上的实验结果表明本文的方法较UDP等传统的特征抽取识别性能更高。2、相似度保持投影(Similarity Preserving Projection)由主成分分析(PCA)可知任何一幅人脸图像都可以通过一组特征脸的线性加权来重构,PCA是最小均方误差意义下图像的最优表示,但是传统的PCA最终只通过比较加权系数的欧式距离来进行识别,没有考虑残差。因此,我们提出了相似尺度的概念,将两个样本同时投影到相同向量上,在确定它们关系时既考虑投影系数,也考虑重构所产生的残差。两者的投影系数和残差均相差越大,说明这两个样本越不相似,反之越相似。和保局投影(LPP)有所不同,本章相似度保持投影算法不必预先设定近邻个数,它是利用相似度的概念,创建相似度散布矩阵,最终通过最大化目标函数获取最优子空间。在AR库和FERET库上的实验证明了该方法的有效性。3、基于匹配追踪的相似度人脸识别算法(A Matching Pursuit Based Similarity Measure for Face Recognition)匹配追踪算法作为稀疏分解的一种能够很好的发掘样本内部重要的语义信息,并且具有简洁、灵活等特点,本章将它用来选择近邻。利用训练样本构建冗余字典,找出与之最相关的其他样本作为该样本的近邻样本,然后根据相似尺度的概念,同时考虑匹配追踪算法所产生的一定序列原子集,投影系数和残差,把它作为近邻权值,最终最小化目标函数获取最优子空间。与其他特征抽取方法相比,该方法鲁棒性更强,识别效果更好,在AR库和FERET库上的实验验证了本方法的实用性。4、基于l2范数的局部重构误差鉴别投影(Local Reconstruction Error of l2norm for Discriminant Feature Extraction)特征抽取和发掘鲁棒的、鉴别性强的结构是人脸识别中两个最重要的问题。由于Qinfeng Shi等人证明对于人脸识别问题,l2范数法是迄今为止准确率最高,识别速度最快,鲁棒性最强的方法。因此,我们提出了一个新的特征抽取方法,通过将局部鉴别能力和l2范数法相结合。首先通过l2范数法计算局部重构权值,最终找到一个低维空间,使得同类样本的局部重构误差尽可能小,同时不同类样本的局部重构误差尽可能大。这就保证了该方法的性能和鲁棒性,AR和ORL人脸库的实验证明该方法是最好的。5、局部重构误差与尺度度量在人脸识别中的应用(Local Reconstruction Error and Measure Metric used in Face Recognition)对于两个样本,考虑将它们同时投影到一组投影轴上,二者关系由投影系数和重构误差同时决定,这是一种新的度量方法,创建了类内关系权值矩阵和类间关系权值矩阵；用l2范数来计算表示系数,创建类内局部重构误差和类间局部重构误差。最终希望投影后同类样本相互靠近,不同类样本相互分离,该方法可以很好的保持样本的局部相似性和整体的几何结构,AR、ORL和Yale库上的实验证明了该方法的有效性。