特征抽取是人脸识别领域的关键问题,抽取有效的特征信息对提高识别效果有重要意义。本文对基于核的非线性特征抽取方法进行了深入研究,进而提出了一些特征提取的新算法,并在人脸识别问题上验证了有效性。本文的主要研究及创新工作如下:(1)核主成分分析作为主成分分析的非线性推广,能有效提取人脸的非线性特征,但无法利用样本的类别信息。本文深入分析了融合类别信息的核主成分分析方法,并针对相应的特征对最近邻分类器进行改造。在Iris和人脸库上的仿真实验证明与理论分析相吻合,也验证了本文对分类器改进的合理性。(2)核Fisher鉴别分析和核最大间距准则作为有效的非线性特征抽取方法,已被广泛研究并证实适合于人脸识别问题。本文在深入分析这两种特征抽取方法理论本质的基础上,结合同类样本的局部几何信息,提出了局部距离核最大间距准则的特征抽取方法。这种方法的特点是充分利用了训练样本的局部距离信息和类别信息,抽取出了更有利于分类的非线性特征。(3)核典型相关分析基于核考察了两组变量之间的相关关系,核广义典型相关分析和核鉴别典型相关分析对其进行了优化,但都有一定的局限性。为解决较为复杂的线性不可分问题(如人脸识别),本文提出了核广义鉴别典型相关分析,不仅引入类信息,还充分考虑了样本之间的相关关系对其分类的影响,在人脸库上的实验表明了此方法的识别性能有所提高。(4)最后,本文提出了局部距离鉴别典型相关分析(Local DCCA),通过构造同类样本的距离矩阵,使类间相关矩阵极大,同时类内相关矩阵极小。利用核思想,本文进而提出核局部距离鉴别典型相关分析,在人脸库上的实验证实了所提算法在分类性能上的有效性。