在生物特征识别领域，人脸识别是最具潜力的一个研究课题。由于它涉及诸多学科领域的知识，同时在国家安全、军事安全和经济领域等有着广阔的应用前景，因而有巨大的理论意义和实际应用价值。在人脸识别系统中，提取有效的鉴别特征是实现人脸准确识别分类的一个关键因素，它要求对样本数据进行维数约减时保持其内在结构不变。流形学习算法是最近提出的一种机器学习方法，它能有效的挖掘出人脸图像的内在本质结构。本文对基于流形学习的特征提取方法进行了研究，主要工作包括以下几方面：1.针对局部Fisher判别分析(LFDA)和边界Fisher判别分析(MFA)方法的局部化方法在多模数据分类中的不足，本文选用了一种更为合理的局部化方法，同时采用自适应算法来动态的选择样本近邻点，能够更精确地选择位于流形上的同类近邻点和异类近邻点，更好的揭示了流形内在的几何结构。2.针对边界Fisher判别分析(MFA)算法采用一维向量表示人脸空间的样本数据破坏了人脸图像的结构信息，同时是一种无监督算法，仅利用有标记样本而浪费了大量未标记样本，对于人脸分类问题来说，所提取的特征并不是最有效的鉴别信息。为此，本文将MFA算法改进为半监督算法，同时结合张量化方法，采用二维张量形式表示人脸空间的样本数据，更好地刻画了数据的流形结构，并充分利用了有判别信息的标记样本和全局信息的大量未标记样本，使得在投影空间同类样本数据被拉近，不同类样本数据被推远。3.针对无监督鉴别投影(UDP)算法在构造近邻图时采用传统相似度度量方法对噪声很敏感，同时还存在小样本问题。本文结合散度差准则对UDP算法进行改进，并引入了基于鲁棒路径的相似性度量方法度量数据间的相似性，提高了算法对噪声的鲁棒性，同时避免了数据的高维小样本问题，增强了算法的稳定性。