人脸识别与其他生物特征相比,其优点在于自然、友好、无侵犯性,并且人脸库采集简单方便,目前已成为生物特征识别领域里研究的热点。本文针对传统方法的优缺点提出了一种新的人脸识别方法和一种改进算法。主要包括以下几个方面的内容:首先,在第一章绪论部分主要介绍了人脸识别技术的应用背景、研究的目和意义,以及人脸识别技术研究方法的发展现状和一些人脸数据库、分类器和距离度量的内容;第二章介绍了Fisher鉴别分析的发展现状以及本地保留影射(LPP)相关的理论基础,着重讲解了基于该理论的拉普拉斯脸在人脸识别中的应用。其次,结合Fisher准则函数和拉普拉斯图的特性:线性鉴别分析寻找最优的投影方向和拉普拉斯图保留本地结构信息的优点,本文第三章提出了广义的拉普拉斯鉴别分析方法。研究表明本地结构信息在实际的模式分类问题中往往包含了重要的鉴别信息,在ORL人脸库和Yale人脸库上针对传统的方法做了对比实验,从最后实验数据不难看出本文提出的广义的拉普拉斯鉴别分析有较好识别效果。最后,针对传统的鉴别分析方法在进行多类识别时面临的局限性,在第四章中提出了一种加权调整的线性鉴别分析方法。这是因为传统方法所定义的类间散布矩阵过分强调了类间距离较大的类别,而没有过多考虑类间距离小的类别,这使得最终的投影方向可以很好的分开类间距离大的类别,而造成其它类间距离较小的类别,致使有些类别有交叉重复(错分的样本增多)。该方法主要思想就是通过加权重新定义了类间散布矩阵,使各类样本中心在分类空间中达到均衡分布,调整了传统的投影轴错分密集类别的局限性。实验表明,该改进算法比起传统的方法来说的确是一种切实可行的方法。