人脸识别是模式识别领域的研究热点,具有重大的理论意义和广阔的发展前景。如何表征人脸,如何进行分类是人脸识别问题中的难点也是热点。有效的表征人脸是提高人脸识别技术性能的关键,而基于子空间的特征抽取方法是表征人脸的有效方法之一它以统计理论作为支撑,取得了很好的效果。分类器的设计是人脸识别技术中的另一个关键技术,它的优劣直接影响着最终的识别效果。本文涉及到了人脸识别中特征提取和分类器设计两方面内容。本文提出的特征提取方法包括基于协同表示的鉴别投影与基于投影算子和小波变换的鉴别投影,这两种方法都是基于子空间的特征抽取方法。基于协同表示的鉴别投影是希望找到一个子空间,使得协同表示分类器在此空间中能够达到最优分类效果。基于投影算子和小波变换的鉴别投影是根据小波变换和投影算子的内在联系提出的,它融合了小波变换和投影算子的良好性质。在人脸数据库上,与PCA,LDA,LPP,LLE方法相比,取得了不错的效果。本文提出的分类器是基于回归的分类器,包括基于K近邻的弹性网回归分类器和基于K近邻的正则化的Logistic回归分类器。基本原理是在最小二乘回归和Logistic回归中分别引入L1范数和L2范数作为正则项得到弹性网回归模型和正则化的Logistic回归模型,然后这两个模型利用待分类样本的K近邻信息进行分类。与其他回归分类器相比,如稀疏表示分离器,协同表示分类器,识别性能有所提升。