近年来,计算机和网络技术发展日新月异,2015年两会以后,“互联网+”更是成为国家战略。当下,生物识别技术已成为一个重要的研究方向,而人脸识别因其友好性、不易被察觉等特点受到了广大学者的推崇。由于人脸图像的维数很高,因此对原始图像进行处理时耗时较长,耗费资源较多。但是反映数据本质结构的往往可能只是在这些高维数据背后的少量参数,因此特征提取在人脸识别过程中起着至关重要的作用,能否提取出具有最优鉴别能力的向量也成为人脸识别算法优劣的主要判别标准。鉴于面部表情的多样性,表情识别在人脸识别中也起着重要的作用。本文对传统的线性降维算法进行了研究,并在此基础上提出了改进的降维算法,然后针对表情识别问题也给出了新的模型和算法。本文主要研究内容和做出的工作如下:(1)融合MMC的LDA算法改进给出了LDA一种优化准则,然后对这个准则进行了实现。具体来说,首先删除总散布矩阵的零空间以消除奇异性问题。然后得到特征子空间相应的每一个特征值,最后,在各个特征子空间中,每个特征向量的判别度将由MMC来测量,判别向量通过优化这个准则来获取。在很多知名的数据集上进行了实验来评估所提出的方法,并将该种方法与其它降维方法进行了对比,实验结果论证了所提方法的有效性。(2)融合切向量的特征提取技术在传统的LDA中引进了切向量的概念,给出了获取切向量的具体过程,随后把切向量作为附加信息添加到原始图像信息中,最后结合KNN算法进行降维、分类工作。通过在人脸图像上的实验来与其它降维算法进行比较,实验结果表明,提出的新方法优于传统的LDA,并且大多数情况下优于其它线性降维算法,提出的方法对于不同类型数据而言都是有效的方法,且具有较强的鲁棒性。(3)核偏最小二乘回归在面部表情识别中的应用面部表情识别作为一个分类问题,由于其在人机交互中扮演着重要角色,已吸引了来自研究人员的大量注意力。分析了(核)偏最小二乘回归并获得了一种新方法来解决这些问题。此外发现核偏最小二乘回归的第一阶段等价于特征提取的广义判别分析。也证明了为什么回归方程可以应用在分类问题上。最后,还证明了核偏最小二乘回归可以通过定义虚拟矩阵直接应用于分类问题。总之,通过实验发现,提出的线性降维改进算法在大多数情况下优于其它常用算法;基于面部表情识别的核偏最小二乘回归算法在人脸数据集上也取得了良好的分类效果。