在当今社会,作为人工智能的重要领域之一,人脸识别算法已经广泛应用于安全检查、视频监控、人机交互和表情分析等多个领域。人脸识别应用前景广泛,发展迅速。因此,如何快速有效地进行人脸识别已经成为人们日益关注的热门话题。近年来,针对图像的语义分析研究逐渐走进人们的视野,由于能够解决存在于图像底层特征和高层语义特征之间的语义鸿沟,成为图像分析的一个新兴方法。目前基于图像的语义分析的研究主要利用信息检索领域的主题模型对视觉词袋进行主题建模。然而,此类研究大多应用于图像场景分类,在人脸数据集上的研究还有待扩展。为此,本文针对人脸图像数据提出了一种基于空间视觉词袋的人脸主题提取方法。本文的算法主要由两部分构成,第一部分利用人脸分割模板对人脸图像进行分割,构建基于空间位置信息的视觉文档,在传统的视觉词袋模型中融入图像局部区域的空间位置特征,提高算法的准确性。第二部分研究了应用非负矩阵分解(Non-negative Matrix Factorization,NMF)和隐含狄利克雷分布(Latent Dirichlet Allocation,LDA)主题模型分别对视觉文档进行主题提取,得到人脸图像的主题表示。相比于其他主题模型,NMF主题模型可解释性强,在准确率和效率上更有优势。通过本文的方法得到的人脸主题,可以同时应用于人脸的分类任务和聚类任务中,还能够处理多元化的人脸图像数据。本文将基于空间视觉词袋的人脸主题提取算法用于人脸识别,与经典的人脸识别算法在不同类型的人脸数据集上进行了对比实验。实验表明,基于空间视觉词袋的主题模型的人脸识别效果优于经典的人脸识别算法。除此之外,通过本文提取的人脸主题进行人脸聚类相比于其他聚类方法也能获得更佳的效果。