伴随着信息技术在各个领域的蓬勃发展，如何进行快速、有效的个人身份验证，已逐渐成为人们关注的焦点。人脸识别相比于其他生物特征识别技术具有很多独特的优势，研究人脸识别可以推进人类对视觉系统的认知，并且能够解决个人隐私安全、公共安全、国家安全和信息安全等问题。因此，人脸识别一直是科学界的热门研究领域。　　本文重点研究基于流形学习的人脸识别算法。流形学习是一个热门领域。传统的基于子空间的降维方法都是线性变换的。但最新的研究指出，人脑感知世界可能是基于非线性流形的。基于线性变换的传统降维方法不适合非线性的流形空间。因此，人们开始对流形学习进行深入研究。本文在流形学习的基础上，研究人脸识别算法。针对传统的人脸识别算法：主成分分析（PCA）、线性判别分析（LDA）、保局投影算法（LPP），以及判别保局投影算法（DLPP）无法处理小样本问题，提出了指数判别保局投影算法（EDLPP）。　　本文首先研究了流形学习中的等距映射（ISOMAP）、局部线性嵌入（LLE）和拉普拉斯特征映射（LE）这三种经典算法，并分析了它们的优缺点。由于这三种算法没有具体的投影矩阵，因此，很难直接提取测试样本的特征，导致测试样本出现时，需要重新计算包括训练样本在内的所有样本数据，计算量非常大，因而不适合人脸识别领域。其次，本文对基于子空间的人脸识别算法的进行了深入研究，主要研究了主成分分析法、线性判别分析法、保局投影算法、判别保局投影算法，主成分分析法、线性判别分析法是基于线性变换的，在欧氏结构上非常有效，但无法保持原始数据的非线性流形结构，并且无法处理小样本问题；保局投影、判别保局投影算法是基于流形学习的，可以很好的保持原始数据的流形结构，但同样无法处理小样本问题。针对主成分分析法、线性判别分析法、保局投影算法、判别保局投影算法无法处理小样本问题的缺点，本文给出了改进思路，在判别保局投影的基础上，引入矩阵指数，提出指数判别保局投影算法（EDLPP），并在ORL、YALE、LFW人脸数据库进行对比实验，实验结果表明，EDLPP的算法比其他几个算法表现的更优越，证明了EDLPP算法的有效性。