人脸面部识别在人们的社会交往过程中具有重要作用。人机交互领域的人脸识别研究目标是使计算机在能够获取人的面部信息,准确的识别人脸。最初人们对人脸识别的研究,主要集中在单一特征识别方面。随着现代社会技术手段的越趋先进,人类可以从多种信息源获得大量信息,如何去除隐藏其中的大量的冗余信息,已经成为当前数据分析和处理的关键。伴随着研究的不断深入,人们认识到来自不同渠道的人脸特征之间具有一定的互补性,充分利用不同渠道特征之间的相关性可以更好地进行识别。于是基于多模态特征的人脸识别研究成为一个研究热点。近十年来,在模式识别、计算机视觉及生物医学等领域中典型相关分析(CCA)被广泛地应用,同时在诸多领域中取得突破,例如人脸识别、行为分类和疾病诊断等方。近年来,人脸识别由于在人机交互,电脑游戏,视频会议等方面有着巨大的应用前景而逐渐成为研究的热点。人脸识别系统一般包括人脸检测、特征提取和特征分类这三个步骤,其中特征提取包含特征降维。本文主要研究典型相关分析为特征提取方法在人脸面部识别系统中的性能。本文的主要研究工作如下:1)提出一种新的特征融合算法——基于数据流行结构投影典型相关分析算法,并将其应用到了人脸识别方法中。在特征融合时,传统的非线性特征融合算法均存在不利用或者不能充分利用样本类别信息的问题。与它们相比,本文提出的算法充分的利用了样本类别信息,对抽取的相关特征进行有效的监督,从而使抽取的特征更适用于分类。通过仿真实验,验证了该算法优于其它传统非线性特征融合算法。2)本文在典型相关分析的基础上,对算法做出改进,将算法由二维特征融合推广到三维特征融合,并对多特征融合的核心算法进行了探索。本文对三维特征融合的灵感来源于将监督信息引入到稀疏特征的实验。经典算法以及相关的最新改进算法在稀疏保持典型相关分析中引入监督信息时,不可避免地导致信息流失从而使得又特征重构的信息与真实信息之间的重建误差明显增大,针对这一缺陷,本文将典型相关分析由二维融合推广到多维融合,将监督信息作为一组特征与两组稀疏特征进行融合,将监督信息融入的同时,有效避免了信息的流失。3)基于代数特征的线性投影算法普遍存在着高位小样本问题,针对这一缺陷,众多学者提出了大量解决方法,其中被广泛应用的是Sun等人的使用主要特征提取(PCA)算法对散度矩阵进行预处理,以部分有效信息流失为代价,使得散布矩阵变换为非奇异矩阵。本文受最新的指数化降维思想的启示,用指数化的散布矩阵代替原散布矩阵,使用指数化降维的方法,即保留了大量的原始有效信息,又使得散布矩阵非奇异化,并在试验中取得不错效果。