自动人脸美感分析是指借助计算机视觉、模式识别、认知学、心理学等领域知识对人类的美感进行自动判别,并为医疗、艺术创作、网络社交等需求提供技术支持。虽然人们可以轻易的对人脸图像的美感程度做出理解和判断,但对于计算机而言,人脸图像只是一系列图像像素点的集合,如何让计算机“学习”出具有共性的美感标准,成为了一个重要的研究方向。本文在大量参阅现有人脸美感分析技术的基础上,在基于机器学习的人脸美感分析方面做了进一步研究。具体来说,本文主要的成果性工作包括：①为了克服单一子空间在人脸图像美感描述方面的不足,提出了一种基于主成分分析(PCA)与广义矩阵低秩逼近(Generalized Low Rank Approximation Matrix, GLRAM)子空间集成的自动人脸美感分析方法。通过集成PCA与GLRAM子空间技术获取人脸美感特性的全局及局部本征描述,并利用高斯场模型(Gaussian Field model, GF)构造集成子空间的内在几何结构关系,从而实现分类性能的提高。②针对基于几何特征的人脸美感分析,提出了基于组合策略的局部几何特征构建方法,并通过Adaboost集成学习机制实现特征的有效集成；此外,提出基于记忆的动态加权核密度估计(Memory Based Dynamically Weighted Kernel Density Estimation, MDWKDE)的弱分类器构建方法,进一步提高弱分类器的集成性能。③为了进一步充分挖掘表征人脸美感的本征描述,提出拉普拉斯约束的共享子空间算法,该算法充分利用描述人脸特征的表象(Appearance)信息和几何特征(Geometry feature),将其投影到共享子空间,形成人脸美感的一致性描述,并采用拉普拉斯算子约束共享子空间与原始子空间特征的结构关系,从而实现分类性能的提高；此外,提出了在线拉普拉斯约束的多输出正则投影算法解决在线样本学习问题。