人脸识别由于其广阔的应用前景和重大的学术价值,在模式识别和机器视觉领域已成为一个活跃的研究方向。如何高效从数据中提取有辨识性特征,然后基于这些特征进行分类识别是人脸识别技术中关键问题。由于原图像样本较少而特征维数较高,有效识别一直是个难点。为解决依据图像表现的人脸识别问题,对原图像维数进行约简必不可免,子空间降维人脸识别技术是当前研究的一个热点;同时稀疏表示理论也遵循约简思想,并对噪声和有损信号有优良的应对能力,稀疏子空间算法作为特征提取算法,在保留稀疏表示对噪声鲁棒的特点基础上,直接对测试样本采取投影降维,简单高效。本文在线性子空间和稀疏表示的基础上,研究两种有效特征提取算法,主要贡献如下:(1)样本局部结构对人脸识别算法性能有重要影响,为解决局部保持投影中参数选择的问题并合理利用样本标签信息,以使样本在保持更真实的样本近邻关系同时,能增强投影降维后样本特征判别性,提出局部Fisher准则判别投影算法。该算法通过求解样本在总体下稀疏表示,然后保留这种稀疏结构关系的方式,来自适应选择样本的近邻参数K,以使样本间分布关系尽可能符合真实情况;在获取稀疏近邻结构的基础上,利用样本标签信息设计两种自定义的类内局部散度矩阵和类间局部散度矩阵,以使得在保留样本间近邻关系的同时,能提高样本标签信息带来的判别能力;通过构造局部Fisher准则判别投影目标函数,使投影降维后同类样本能更好的相互表示,而不同类的样本有较大差异。所提出的算法,能使同类样本间的稀疏近邻关系得到保持,而非同类样本间的稀疏近邻结构得到破坏。在Yale、AR、Yale B人脸数据库上进行大量实验,结果表明所提出的算法有更高的识别率是一个有效的降维算法。(2)为解决直接从人脸样本中应用统计方法提取子空间,易受原样本中对分类不利特征及噪声影响的问题,提出用判别字典学习来获取线性子空间进行人脸识别的算法。该算法首先学习与类别相关的结构字典,同时保持同类样本间的稀疏系数局部结构,并破坏非同类样本间稀疏系数的局部结构,以提高字典原子的判别性和保持稀疏系数的局部结构性;然后对重构后的样本由MMC准则提取判别线性子空间,以减弱噪声和不利特征对直接从原样本提取子空间的影响,以及避免判别子空间提取中的小样本问题。在Yale、AR、Yale B人脸数据库进行仿真实验表明本文算法较常用子空间算法有更高的识别率。