人脸识别技术最为一项生物特征识别技术,在安全保卫、信息安全和司法检验等领域具有十分重要的意义。人脸识别技术涉及到了计算机技术、图像处理、模式识别和机器视觉等多个领域,人脸识别技术的发展促进这些领域上理论和技术的发展。一个完整的人脸识别系统,应该具有两个必不可少的部分:特征提取和分类器识别。特征提取部分处理原始人脸图像,将其中对分类有用的信息提取出来,并将高维数据降到低维。分类器对特征信息进行分类,得到人脸图像的类别信息。流形学习方法是最近提出来的一种能够有效的检测到高维数据内在本质的机器学习方法。在子空间特征提取方法中引入流形学习技术是目前人脸识别技术发展的趋势之—。本文基于流形学习方法,从事人脸识别系统中特征提取和分类器算法的研究,将流形学习与Gabor小波变换及二次分类器相结合,设计实现新的人脸识别方法,并进行了实验仿真和结果分析。Gabor小波在生物特征信息提取中十分有效,本文将能够有效地提取人脸图像特征的Gabor小波变换与监督流形学习中的边界Fisher分析算法相结合,提出了一种新的子空间降维方法——基于Gabor特征的边界Fisher分析算法(GMFA),从而使识别性能有了显著改善。在已有的边界Fisher分析(MFA)方法基础上,本文分析了原始MFA的缺陷,将最大边界准则(MMC)引入到MFA算法中,提出了改进的边界Fisher分析算法(EMFA),解决了原始MFA存在的问题。进而将EMFA算法和Gabor小波变换相结合,得到了基于Gabor特征的改进边界Fisher分析算法(GEMFA)。使识别性能进一步得到了提升。本文进一步将改进的特征提取方法与基于SVM的二次分类方法相结合,设计了一种新的人脸识别系统。通过在ORL、AR和FERET人脸库上进行的大量实验结果表明,本文的特征提取方法及人脸识别系统具有良好的识别性能。