特征抽取是模式识别研究中最基本问题之一。对于人脸识别而言,抽取有效的人脸特征是提高识别(分类)效果的一个关键问题。近年来,流形学习成为机器学习及模式识别等领域的研究热点之一,其主要目标是发现高维空间数据的低维光滑流形。自从2000年Roweis和Saul提出局部线性嵌入(Locally Linear Embedding, LLE)算法、Tenenbaum等人提出等距离映射(Isometric Mapping, ISOMAP)算法、2003年Belkin等人在局部保持的思想上提出拉普拉斯算子特征映射(Laplacian eigenmaps, LE)后,基于流形学习的人脸识别研究引起了人们的广泛关注。基于流形学习的图嵌入是应用比较广泛的一种特征抽取方法。本文对图嵌入及其在人脸识别中的应用问题进行研究,提出了几种新的基于图嵌入的人脸识别算法,通过标准人脸数据库仿真实验验证了它们的有效性。本文的主要工作和创新成果点集中在以下几个方面：(1)在局部保持投影(LPP)算法和局部鉴别嵌入(LDE)算法基础上,利用模糊集理论,分别提出了基于模糊局部保持投影(FLPP)和基于模糊局部鉴别嵌入(FLDE)的特征抽取方法。在这两种方法中,首先根据模糊K近邻算法得到数据样本隶属度信息,然后利用样本隶属度信息重新定义数据样本的拉普拉斯散布矩阵分别构造来FLPP和FLDE的目标函数,最后通过求解广义方程找到它们的最优投影矩阵。(2)在主成分分析(PCA)算法和局部线性嵌入(LLE)算法基础上,考虑样本分布全局性和局部性,提出了非监督线性差分投影(ULDP)的特征抽取方法。在该方法中,首先通过样本数据间的流形距离来构建局部近邻图与全局方差图来表征局部近邻结构与全局结构信息。最后,当局部最小嵌入和全局最大方差构建好后,通过同时满足最小局部散布和最大全局散布来找到一个最优的投影轴。(3)在局部线性嵌入(LLE)算法基础上,考虑样本的潜在流形结构,提出基于最大间距准则的局部图嵌入(LGE/MMC)的特征抽取方法。该算法在保持近邻的前提下,分别构造类内紧致图和类间惩罚图。首先在类内紧致图中利用线性重构的局部对称性找出高维数据空间中的非线性结构,使同类样本尽可能地聚集在一起；然后在类间惩罚图中使不同类别的样本尽可能远离；为了避免“小样本”问题,采用MMC准则的形式构造目标函数。(4)在二维局部保持投影(2DLPP)算法基础上,考虑样本的类别信息,提出基于二维局部图嵌入鉴别分析(2DLGEDA)的特征抽取方法。该算法通过二维的图像矩阵抽取到最优的本征向量优于一维的向量抽取到的本征向量。在图嵌入中,内类图的特性就是连接同类样本的近邻数据点,使得它们相互压缩,同时惩罚图的特性就是连接边缘数据点,使得它们相互的分离。该算法能有效的避免在线性鉴别分析中的小样本和数据的高斯分布问题。