人脸识别是计算机模式识别领域中的一个非常活跃的研究课题,在法律、商业等领域具有广泛的应用前景。如何有效的从人脸图像中提取使之区别于其他个体的特征,是人脸识别研究的一个关键问题。在众多的特征提取技术中,子空间分析方法因其计算代价小、描述能力强、可分性好等特点,已成为非常活跃的研究方向之一。论文从子空间分析中的流形学习入手,深入研究了基于图论的图像空间几何结构的描述,主要内容和贡献如下：第一,针对LPP存在过学习和不能较好地保存图像空间的差异信息等问题,导致算法性能不是足够的好,提出了融合局部相似信息和差异信息保持投影算法(Local Similarity and Diversity Preserving Projection, LSDP)。LSDP定义两个加权邻接图分别描述数据间的相似信息和差异信息,并给出了度量相似信息和差异信息的离散度矩阵。在此基础上,建立了一个物理意义明确的特征提取准则,即通过最大化差异离散度和最小化相似离散度准则获得投影方向,投影后的特征既能有效地保持图像之间的局部结构,又能较好地保持图像之间的差异信息,并且避免了过学习问题。实验结果证明了所提算法的有效性。第二,针对流形学习的判别方法忽略了同类样本间的多样性信息,即就是同类样本间的差异信息,及投影矩阵不正交等问题,提出了正交局部判别投影(Orthogonal Local Discriminant and Information Embedding, OLDIE)。该算法分别利用两个加权邻接图描述类内局部邻接图和类间边缘邻接图。其中类内局部邻接图包括局部相似邻接图和局部差异邻接图。在此基础上,给出了度量局部信息和边缘信息的离散度矩阵,然后通过最大化边缘信息离散度和最小化局部离散度准则提取特征。实验结果证实了所提方法的有效性。