随着计算机信息技术的发展，人脸识别技术日益走向成熟，并且在社会的各个领域得到了广泛的应用。在人脸识别中，抽取有效的鉴别特征是提高识别效果的关键问题。近年来，在特征抽取的研究领域，许多学者提出了相关的算法，如线性判别分析、主成成分分析和独立成分分析、非负矩阵分解(Non-negative MatrixFactorization, NMF)等方法。本文在深入研究这些特征提取方法的基础上，提出了三种新的特征抽取算法，并在人脸识别中得到了较为成功的应用。本文主要工作体现在以下几个方面：①线性回归分类中NMF特征抽取算法研究非负矩阵分解是一种新的子空间分析方法，它对基图像的像素点和重构系数都施加了非负性约束，使得重构图像是由基图像的非负叠加组合而成，更符合人类思维中“局部构成整体”的概念。NMF得到的基图像恒为非负值，分解结果具有实际的物理意义，是基于局部的特征提取方法，能够克服人脸图像的局部变形。由于具有非负限制，一张人脸图像被分解成非负基矩阵的非负线性组合，这可以使得原本线性关系不明显的图像降维之后，线性关系更加显著，进而采用线性回归分类器进行分类。这种把非负矩阵分解与线性回归分类结合的算法将得到更好的识别效果。②基于二维NMF的特征抽取算法研究在基于传统二维图像的非负人脸识别算法中，原有改进算法都是在非负矩阵分解的两类损失函数上（基于欧式距离的损失函数和基于K-L离散度的损失函数）增加了其他限制，如非负二维主成分分析(N2DPCA)，实质上是在基于K-L离散度损失函数的二维非负矩阵分解基础上，增加了主成分分析的限制。因此，传统的基于二维非负矩阵分解的改进算法不仅要计算基矩阵(投影矩阵)，还要需计算系数矩阵，而系数矩阵维数一般很大，不利于使用迭代法求解，计算复杂高。本文提出的算法把非负性约束引入到二维主成分分析中，突破了非负矩阵分解的损失函数的计算框架，使得特征提取过程不必计算系数矩阵，仅需提取基矩阵。例如，有m张p×q大小的训练人脸图像，2DPNMF只需提取p×r大小的基矩阵。因此，2DPNMF迭代过程十分简单，很大程度上减低了计算复杂度，大幅减少特征提取时间。在YALE、FERET和AR人脸库的实验结果表明，本文算法兼有了非负矩阵分解和二维主成分分析的优点，不仅识别率有较大提高，而且速度显著优于非负矩阵分解，甚至比二维主成分分析略快。③基于B样条和图像梯度的特征抽取算法在人脸识别技术中，人脸图像的光照变化是影响算法识别准确率的一个重要因素。这一问题在近年来也得到了学者们广泛的研究，具体可以分为以下几类。第一种是使用图像处理技术将不同光照条件下的图像归一化，如直方图均衡化(Histogram Equalization)等，然而在实际场景的情况下使用图像处理技术计算不同光照条件是十分困难的。第二种方法就是构建3D人脸模型解决光照变化，然而构建3D人脸模型需要大量的人脸训练图片。第三种方法就是从人脸图像中提取光照不变特征，但是这种方法对于有噪声干扰的图像的识别率很不稳定。于是本文基于上述问题提出了基于B样条滤波和梯度脸的光照不敏感的单样本识别技术。由于是在梯度空间进行特征提取，此方法对于噪声影响十分敏感。传统的去噪方法，如高斯滤波，滤波后图像会过于平滑，对基于像素空间的识别算法影响不是很大，但是对于基于梯度空间的识别算法影响十分显著，会使得其丢失部分边缘信息，与原图像的逼近变差。基于上述问题，本文提出了基于B样条和梯度脸的单样本识别方法，该算法选择具有低通特性的B样条函数作为平滑函数。B样条函数具有阶数可调性，当阶数取值较大时，其平滑性能随之变好，能很好的抑制噪声。当阶数取值较小时，其逼近性能较好，更逼近原样本。