单样本人脸识别技术是计算机视觉领域重要的研究方向之一，它涉及到计算机视觉、模式识别、机器学习、人工智能等多个学科。在身份证识别、电子护照、法律增强等方面，由于人脸数据量大、储存设备有限等，每人的人脸只能存储一个；由于每个人的只有一个样本，这对人脸识别提出了很大的挑战。所以对单样本人脸识别技术的研究，具有重大的意义。
　　本文首先研究了基于子空间和基于传统流形学习单样本人脸识别方法，在基于子空间的方法中，主要研究了主分量分析（PCA）、结合投影的主分量分析((PC)2A)、Fisher线性鉴别分析(FLDA)和局部保持投影(LPP)，虽然这些方法能用于单样本人脸识别中，但是识别率难于达到预想的结果。传统流形学习方法中，假设将所有的人脸样本看做一个流形，然后提取特证；这些方法虽然在特征提取和识别中消耗的时间较少，但识别率不是很高。其次，简单介绍了DMMA(Discriminative Multi-Manifold Analysis)算法，不同于传统的流形学习方法，该算法将每一个人脸子图像块看作一个流形，并且每一类人脸分别学习得到一个特征矩阵，该算法利用了图像的局部几何特征，虽然获得了较高的识别率，但是在特征提取阶段消耗的时间较多，达不到人脸识别系统的实时性的要求。
　　为了获得更好的人脸面部特征，本文提出了一种LBP-DMMA的特征提取方法，首先对每幅人脸图像进行分块构成一个子集。然后使用统一局部二值模式（Uniform LBP）算子提取每个子集中图像的直方图，每个子集中的直方图形成一个统计流形，应用DMMA算法获得人脸图像的低维特征。最后采用基于重建的流形-流形间的距离识别未知的人脸图像。该方法结合了人脸图像的纹理信息和几何信息，在 AR数据库和ORL数据库上实验结果表明，该算法的识别性能优于一般的DMMA算法。
　　最后，为了提取复杂环境下人脸图像的有效特征，本文提出了一种结合DMMA和方向梯度直方图(Histogram of the Oriented Gradient，HOG)特征提取算法，提出了一种新的自适应方法计算子图像块的相似度：在HOG-DMMA算法中，将一幅样本图像分为不重叠的子图像块后，对每一个小块使用HOG算子进行处理，处理后形成了一个统计流形，然后进行特征提取，利用基于重建的流形-流形间的距离最近邻方法进行分类识别。在AR人脸库和FERET人脸库上实验结果表明，该算法对人脸的旋转和光照的变化具有较好的识别效果。