如何从人脸图像中有效地提取特征并通过分类决策对目标进行识别是人脸识别研究的关键所在。本文以人脸特征提取和分类决策为研究目标,重点研究了人脸识别领域的主流方法——子空间方法和近年来的热点方向——稀疏表示技术,提出了几种高效的人脸特征提取和分类决策算法。本文的主要贡献及创新如下：1)在保局投影(Locality Preserving Projections, LPP)算法中,数据间虚假的近邻关系会在投影到子空间后依旧得到保持,同时,以局部合并的方式来重建数据集间的整体内在规律无法较好的体现不同类数据间的分布差异。针对这些问题,提出了一种最大间隔和鉴别保局投影(Maximizing Margin and Discriminant Locality Preserving Projections, MMDLPP)算法。该方法能很好的发现和重建数据集的局部真实内蕴几何结构以及整体分布特性,通过保持数据集合的真实近邻结构,分离数据样本的虚假近邻,并扩大不同类数据样本间的类间间距,表现出了较好的鉴别特性。2)稀疏保持投影(Sparsity Preserving Projection, SPP)算法在构造数据样本间的稀疏权重时并没有很好的体现数据间的鉴别信息。针对这一问题,结合人脸在流形上的局部线性分布特性,提出了一种鉴别稀疏保持嵌入(Discriminant Sparsity Preserving Embedding, DSPE)算法,在重建局部几何性质的同时保持数据的稀疏表示特性,并获得低维上的全局最优嵌入。该方法是一个线性的监督算法,能够有效地提取特征,具有较高的鲁棒性。3)在人脸识别中,最近邻子空间(Nearest Subspace, NS)分类器和稀疏表示分类器(Sparse Representation based Classification, SRC)具有较好的识别性能。然而,作为基于数据样本重构的分类器,它们在识别目标时都不可避免地要对一个样本进行大量的重构运算,需要巨大的计算量。针对这一问题,对这两种分类器进行了改进,构造了一个新型的重构空间,该空间中的点反映了一个样本被其他样本线性表出的重构权重,利用先验知识找寻一个从原始样本空间或图像空间到该重构空间的投影映射,以此快速地得到待分类目标的重构权重,通过比较重构误差完成分类。改进的最近邻子空间(Improved Nearest Subspace, INS)和改进的稀疏表示分类器(Improved Sparse Representation based Classification, ISRC)在保持NS和SRC良好分类性能的同时能大大降低计算复杂度,这种改进模型能很好的推广到其它基于数据样本重构的分类器上。