作为人脸识别中关键环节，特征提取得到广泛的关注和研究，其基本任务是从样本众多特征中提取出最符合要求的特征。本文主要研究对象即是基于统计的一系列特征提取方法。在已有工作基础上，本文提出了局部型子模式主成分分析（L-SpPCA）并进一步推广实现了子模式型局部保持的投影（Sp-LPP），且成功将这两个算法应用于人脸识别。 主成分分析(PCA)是一种十分有效的特征提取方法并被广泛地应用于模式识别尤其是人脸识别领域。局部PCA（LPCA）方法是对传统PCA的一种改进，它关注样本之间的差异，通过引入局部线性来实现全局非线性，从而更好地拟合现实世界的样本分布。但由于LPCA以整幅图像作为操作对象，与PCA一样，对光照和表情的变化敏感。为解决这一问题，增强PCA的鲁棒性，我们曾提出子模式PCA（SpPCA）。SpPCA关注每个样本内部不同特征间的差异，通过将图像进行分块，将光照等整体变化局限到子模块来减少外部变化对识别的影响，进而增强算法的鲁棒性。SpPCA隶属全局非线性算法，但在每个子模块集上执行PCA，亦即每个子块集仍通过线性变换来降维，因而仍不足以准确描述样本的实际分布。本文提出了一种新的局部型子模式PCA（L-SpPCA）, L-SpPCA通过结合LPCA和SpPCA，使其既继承了SpPCA的鲁棒性，又在每个子块集内部进行非线性化，从而能更好地表示原始样本。在AR、ORL数据集和其他有缺损数据上的实验表明L-SpPCA具有较好的鲁棒性。进一步通过将子模式方法与局部保持投影方法（LPP）结合，成功的在L-SpPCA中实现了聚类操作和降维操作的融合，最终构造出了一个更为稳定的子模式型局部保持的投影方法（SpLPP）。通过将L-SpPCA和SpLPP实验对比，我们提供了对两者不同适用范围的分析和参考意见。