作为生物特征识别领域的一个重要分支，人脸识别以其非侵犯性、直接、友好等特点倍受人们关注，目前已经成为模式识别领域的一个非常活跃的研究课题。面对业已出现的各种基于单一准则提取的人脸特征，如何有效的对其进行优化组合，以提取出对分类更加有利的特征对提高系统的识别性能具有重要的意义。典型相关分析(CCA)理论框架为解决特征融合问题提供了有力的支持。本文就基于CCA的人脸识别方法展开了研究，主要工作如下：(1)在二维最大散度差鉴别分析(2DMSD)方法的基础上，通过对类间和类内散度矩阵重新进行定义，给出一种扩展2DMSD方法(EX2DMSD)，该方法可以提取出人脸图像列方向的鉴别特征，与2DMSD方法提取的行方向的鉴别特征存在一定的互补性。鉴于此，本文采用CCA来融合由2DMSD与EX2DMSD方法提取的两种特征，从而可以充分地利用人脸图像行与列方向的判别信息，克服了采用单一特征进行人脸识别的局限性。在ORL、Yale、AR三个人脸数据库上的测试结果表明，该方法是有效的。(2)人脸图像的镜像样本在一定程度上可以反映出人脸在视角、姿态、光照等方面的变化，将人脸图像与相应的镜像图像的特征进行融合可以提高系统对视角、姿态、光照变化的鲁棒性。本文将人脸图像的镜像样本引入到CCA中，提出了一种基于对称CCA的人脸识别方法，相比CCA方法，系统的识别性能有所提高。(3)针对局部判别典型相关分析(LDCCA)准则函数的内协方差矩阵没有利用样本类别信息的不足，本文提出了一种广义局部判别典型相关分析(GLDCCA)方法。通过将样本类别信息引入到内协方差矩阵中，不仅使同类k近邻特征相关性达到最大，异类k近邻特征相关性最小，而且可以使同类样本在投影空间相距比较近,异类样本在投影空间相距比较远，从而更加充分有效的保持了样本的鉴别信息。在ORL、Yale人脸库上的测试结果表明，相比CCA、GCCA、DCCA、LDCCA四种识别方法，GLDCCA具有较好的识别效果。