人脸识别技术是生物特征识别领域甚至人工智能领域最重要的研究课题之一,该技术已广泛应用于金融、公安、社会福利保障、电子商务、安全防务等多个领域。在整个人脸识别过程中,人脸图像特征提取占据最重要位置。有效的特征提取方法能够提取出主要且具有代表性的人脸特征,使用这些特征将人脸数据归类为对应的模式类别,既简化了分类器设计,同时大大提升了人脸识别的准确率。作为人脸识别技术的一类主流方法,子空间因其描述性强、识别率高、计算代价小等良好的性能,得到越来越多的关注以及广泛的应用。低秩表示作为一种低秩子空间分割的方法,其在更好挖掘人脸数据内部的结构方面,得到了广泛的关注以及长足的进步。它致力求解出一个对角块状矩阵,矩阵中每一个块关联一个样本类别。同时,算法引入一个残差项,能够更好地处理复杂情况下的数据,使得算法对于噪声有更好的鲁棒性。近年来,一些将低秩表示与子空间学习方法相结合的算法相继被提出,这些算法能充分利用低秩表示和子空间学习的优势,使新的算法有着更好的鲁棒性,在识别率上有着显著的提高。本文主要就以下几点展开研究:(1)全面介绍和分析三种重要的子空间分析方法。子空间分析方法主要由线性子空间方法和非线性子空间方法组成,此部分主要分析两种线性的子空间算法:主成分分析法(PCA)、线性判别分析法(LDA),以及非线性方法的线性近似算法:局部保持投影法(LPP)。(2)在经典子空间分析方法的基础上,进一步介绍低秩表示方法。低秩表示是一种子空间分割方法,不同于稀疏表示着眼于独立子空间内样本的最稀疏的表示,低秩表示寻求的是来自不同子空间所有样本作为向量组的最低秩的表示。通过观察此部分的实验结果,可以发现低秩表示对噪声有着更好的鲁棒性。(3)研究当前主要的结合了低秩表示与子空间的算法,并在多个人脸数据库上进行实验分析,论证低秩和子空间结合能够更好地挖掘人脸数据的全局结构以及处理高维人脸的情况,能达到显著提高人脸识别准确率的效果。(4)在分析了低秩子空间结合算法优势的基础上,提出了基于低秩的度量学习算法。将该算法用于人脸识别的两个子领域,在多个人脸图像变化较为复杂的数据库上进行了充分的对比实验,结果表明该算法能够很好地提高识别率,且随着迭代次数的增加识别率一直稳定在最高值附近,体现了算法的稳定性。