人脸识别是近年来模式识别,图像处理,机器视觉,神经网络以及认知科学等领域的热点课题之一,在档案管理系统、安全验证系统、信用卡验证、公安系统的罪犯身份识别、银行和海关的监控、人机交互等领域具有广阔的应用前景。在过去的几十年里,人脸识别技术得到了发展,基于子空间的人脸识别算法引起了广泛的关注,例如主成分分析(PCA)、线性判别分析(LDA)、局部保形投影(LPP)等,但是这些方法的缺点是得到的投影函数是原始特征的线性合并,它们通常很难表示实际结果,并且有些算法在计算密度矩阵的特征分解时非常的消耗时间和内存。本文主要内容包括:1)介绍了基于子空间学习的图嵌入降维的几种形式:线性化,核化,张量化。在图嵌入中,监督情况下的(或非监督情况下)、基于统计的(或几何模型的),各种算法有着不同的解决降维问题的方式。且每种算法可以当成是本征图在尺度归一化约束下具有统计和几何性的数据点集(补偿图是在避免其统计和几何性的基础上),或直接、或线性化嵌入、或核嵌入、或张量化嵌入的方法;2)对谱回归(SR)方法进行分析,将其应用于人脸识别中。谱方法是降维和流形学习方法中强大的工具。这些方法运用数据仿射后的特征向量来表示信息特征,从而达到把高维数据用低维数据表示的目的,谱回归算法将求解特征函数的问题放在一个回归模型中,避免了解密度矩阵的特征值问题;3)结合谱回归算法,张量化原理及二维保形投影(2DLPP),本文提出了新的算法:SR-2DLPP,并用正则化原理求解。此算法可以直接处理图像矩阵,通过局部保形准则直接从图像提取二维特征,解决了奇异值问题,不需要运用PCA进行预处理,避免了结构信息的损失。优化的算法具有更高的效率,准确率也很高。实验结果也显示了此算法的有效性和高效性.