人脸识别是生物特征识别的关键技术之一，其研究的主要内容是如何使得计算机具有身份识别的能力。如何从人脸图像中有效地提取使之区别于其它个体的特征，是人脸识别研究的一个关键所在。在众多特征提取方法中，子空间方法具有计算代价小、描述能力强、可分性好等特点，现已经成为人脸识别的主流方法。本文以人脸识别的特征提取为研究目标，重点以子空间方法为研究手段，进行了如下几方面的研究：1)针对图像矩阵主成分分析(IMPCA)算法提取的特征维数过高的缺点，本文提出了二向图像矩阵主成分分析(2DIMPCA)算法。2DIMPCA的基本思想是在水平和垂直方向上顺序执行两次IMPCA，在保证识别率的前提下，有效地降低了特征维数，节省了存储空间。2)将二维图像矩阵表示模型的思想同保局投影(LPP)算法相结合，提出了图像矩阵保局投影(IMLPP)。IMLPP与LPP算法最大的不同在于图像数据的表示形式。LPP需要将二维图像转换成一维向量，而IMLPP中图像不需要进行类似转换，所有的操作都基于二维图像矩阵。IMLPP的优点是保留了图像像素间的空间位置关系，提高了识别率；缺点为采用迭代的方式计算投影矩阵，计算时间较长。3)正交保局投影(OLPP)是近年来被提出的基于流形学习的人脸识别算法，可以提取人脸图像的非线性正交特征，但其理论推导烦琐，计算复杂，且未能很好地利用人脸样本的类别信息。本文提出一种新的人脸识别算法—正交判别保局投影(ODLPP)。该算法在OLPP的目标函数中增加类间散布约束，使得求解的特征更具有判别性，同时引入正交化处理，避开了OLPP烦琐的迭代求解过程。4)将非线性核映射的思想同LPP算法相结合，提出了核有监督保局投影(KSLPP)。在创建权图时，KSLPP算法引入可调因子，有效结合人脸局部流形结构信息和样本的类别信息。实验结果表明KSLPP算法具有较好的性能。5)单训练样本问题是人脸识别走向实用不可回避的一个现实问题。针对这个特殊情况，本文提出了基于判别公共向量(DCV)的单训练样本人脸识别算法。该算法基于人脸图像的类内变化基本相似这个假设，采用辅助数据集(Generic Set)计算类内散度矩阵，从而估计单样本人脸的类内差异，使得DCV算法在单训练样本条件下依然保持有效。