在众多生物特征识别方法中,具有直观、非接触和可并行等特点的人脸识别方法,已经被成功的应用到多个领域。识别方法中最为核心的统计降维一直都是各方研究者们探索的重点。作为最常用的降维方法之一,核主成分分析(KPCA)是通过样本矩阵特征值的累积贡献率来判断矩阵降低维数的。然而,在这种情况下很容易忽略特征值小但分类信息含量高的特征向量,对识别效率产生影响。由此,本文提出了一种将新型仿生优化算法——细菌觅食算法(BFO)与非线性降维算法融合的改进方法。此外,本文还对标准的细菌觅食算法进行改进,并应用于人脸识别。主要研究内容和工作如下:(1)针对部分降维算法在特征提取过程中仅依靠累计贡献率选取特征向量的局限,本文提出了非线性降维算法与细菌觅食算法(BFO)结合的方法。将降维算法提取出的特征向量作为细菌在搜索空间的初始位置,根据能量消耗值对特征向量进行迭代搜索,提取对分类有较大贡献的近优特征向量,达到降维寻优的目的。(2)在标准BFO算法的趋化操作中细菌的游动步长为固定值,并且采用自身复制的机制繁殖下一代子细菌,这种情况导致了种群多样性降低、算法收敛速度慢等问题。针对这些缺陷本文提出了自适应调节游动步长的方法,对趋化操作进行改进;对于复制操作,本文将概率交叉的复制方法引入,使算法尽可能跳出局部最小值,提高收敛速度。为了进一步证明改进的细菌觅食算法的高效性和可行性,本文将非线性算法与该算法融合并应用到人脸识别中进行对比测试,实验结果表明,该改进算法的识别率较高于标准的BFO。