随着网络与通讯技术的飞速发展和人类物理与虚拟活动空间的不断扩展,人们对于信息安全性的要求日益提高,需要进行人的身份识别的场合也越来越多。生物特征识别技术是通过计算机利用人的生理特征或行为特征来判别一个人的身份。人脸识别技术是生物特征识别技术领域中重要的组成部分,它根据人面部影像中的有效信息进行个人身份识别。与其它生物特征识别技术相比,人脸识别具有方便快捷、非接触无侵犯性采集、可交互性等诸多优势,已成为了生物特征识别技术中的一个研究热点,并且具有广阔的应用前景。在过去几十年中,很多学者在模式识别领域中提出了大量的特征抽取方法,比如用来处理线性问题的经典算法线性鉴别分析,以及在支持向量机基础上演变得来的一系列基于核技巧的特征抽取方法,它们被普遍的应用在非线性问题的处理过程中。本文对线性特征和非线性特征的抽取方法做了深入的分析和研究,在特征抽取过程中尽可能多的融入样本的结构信息以保留更多的鉴别信息,同时更关注提出算法的效率和性能。本文的主要工作及创新如下：核策略是基于统计学习理论和支持向量机技术发展起来的,是解决非线性问题的一个有效的手段。本文提出了基于支持向量机(SVM)和决策树(DT)的几种新分类器算法。首先对传统支持向量机和模糊支持向量机(FSVM)处理多类问题的算法缺陷进行分析,然后在DT-FSVM和最近邻分类器的基础上,提出基于样本区域分析(SRA)的混合分类器算法(SRA-DT-FSVM),该算法中样本区域分析的概念被提出。在线性鉴别分析(LDA)的人脸特征空间中,分别对算法FSVM, DT-FSVM, SRA-DT-FSVM以及Binary-DT-SVM进行了全面的性能比较。通过在ORL人脸库上的实验结果表明,提出的新方法是有效的,并且通过引入三叉决策树,我们较大幅度的提高了传统FSVM的分类速度。传统的线性鉴别分析方法在特征提取过程中使用的是2值情况下的判别标准,也就是说：对于给定的一个样本,在特征提取过程中的判别依据是要么这个样本属于某个类,要么不属于某个类,每次执行的均是一个硬分类标准。比如在一些经典的人脸识别算法中,人脸数据的采集往往会受到表情、光照、姿态等各种环境条件的影响。基于对这一思想的考虑,我们在传统的代数特征提取方法之中引入模糊集理论,隐含的将样本的几何结构信息融入到样本的代数特征提取过程之中。在此基础上,我们提出了一种松弛条件下的完全模糊线性鉴别分析策略,通过对隶属度函数中的归一化条件进行松弛化处理,重新设计模糊隶属度矩阵的计算公式,从而得到更加有效的模糊样本特征向量集。该方法步骤同传统模糊线性鉴别分析方法相比有效解决了离群样本的模糊特征抽取问题,并且充分考虑了每个样本所包含的隶属度信息。与此同时,为了避免分类器出现不可分区域现象,我们同时采用提出的DT-FSVM算法作为模糊分类器,由此建立了一个完整的模糊线性鉴别分析策略,即分别提出一种模糊特征抽取方法和模糊分类器,并将两者有效结合,形成一个完整的模糊线性鉴别分析算法。小样本问题是在利用Fisher线性鉴别准则做特征提取过程中经常会遇到的,本文为解决小样本问题提出了一种基于对称零空间准则的LDA特征抽取算法(OSNS),该算法通过重构Fisher鉴别准则,在两个具有对称性质的散布矩阵的零空间及其互补空间内利用投影数据的最大可分性,同时获得了更多的有助于分类的鉴别信息。OSNS算法解决了传统Fisher鉴别分析方法只计算一个散布矩阵零特征空间的缺陷,加强了类内和类间两个散布矩阵在重构鉴别准则下所对应的特征空间之间的内在联系,同时解决了传统Fisher线性变换方法中的最终特征维数受类别数限制的问题。在选取的几个标准人脸数据库上的实验结果验证了该算法的有效性。序贯最小优化(SMO)算法是一种SVMs训练算法,该算法将一个大型QP问题分解为一系列最小规模的QP子问题,从而避免了多样本情形下的数值解不稳定及耗时问题,同时也不需要大的矩阵存储空间。本文在模糊支持向量机以及决策树(DT-FSVM)的基础上,提出模糊序贯最小优化算法(DT-FSMO)并对它进行了分析和研究,在对人脸图像进行独立成分分析(ICA)后,用该算法进行多类人脸识别,通过在ORL人脸库上的实验结果表明,SMO的分类性能与输入样本的稀疏程度有密切关系,表明DT-FSMO方法在低特征向量维数的前提下对提高图像识别的性能是有效的。模式分类在面临非线性高维数据下的小样本问题时通常十分困难。本文提出一种核的四重子空间学习(KFS)方法。首先通过构造基于类内和类间散布矩阵的混合鉴别准则,获得分布在各子空间中降维样本的最优鉴别信息。其次通过向量点积,利用核鉴别分析方法(KFD)对非线性鉴别信息进行有效抽取,在此基础上,我们提出了基于核的四重子空间鉴别分析算法,从而有效解决了非线性小样本问题的特征抽取。在ORL和Yale人脸库上的实验结果验证了该方法的有效性。