人脸识别是人工智能的重要分支,在民用和商用领域如人机交互、监控系统等方面具有重要意义。近年来,随着机器视觉和机器学习的突飞猛进,特征提取和分类器的设计日趋复杂和多样。但是,影响人脸识别的因素如小样本一直是难以解决的问题,这使得对特征提取与分类器的要求越来越高,难度越来越大。本文在对机器学习算法研究的基础上,开展对人脸识别关键技术的研究工作,包括特征提取、分类器设计,实现了适用于小样本环境的特征提取与分类算法,主要成果如下:首先,研究并实现了主成分分析和基于线性判别分析等特征提取方法,通过改进的线性判别分析算法,来进行特征提取,能很好的解决小样本问题。其次,针对现有的基于线性判别分析算法中特征值存在方差和偏差等缺点,通过加权和平滑类间和类内离散度矩阵模型,以及对归一化参数进行了确定化,得到一种加权平滑的确定性判别分析算法(WSDLDA)。该算法不仅可以解决小样本引起的过拟合问题,还可以解决散度矩阵的奇异性问题。三个公共数据库被用于验证本文提出算法的优越性,通过仿真分析了其在不同训练样本数目和维度下的性能,并与多种相关方法进行对比,结果显示所提方法能够提升分类准确率。再次,深入研究几种比较常用的分类器,并结合其优缺点,重点研究了基于稀疏表示的分类识别方法。它不需要大量的训练样本数量,且更容易训练,能够更好的预防小样本数据的过拟合问题。针对稀疏分类的非监督性等缺点,本文充分利用测试样本的相关类和相关样本,提出一种加权逐类稀疏和局部敏感表示算法(WCSLR)。该算法不仅促进了在类别上的稀疏表示,而且能够增强所选训练类中局部敏感表示。最后,采用与前面特征提取相同的样本数据,仿真分析了分类器在不同训练样本数目和维度下的分类性能,分析比较了多种分类器的分类结果,验证了所提WCSLR算法具有更好的分类性能,并对所提方法进行了参数分析。基于以上研究,本文实现了特征提取和人脸图像分类算法,并在公共人脸库上验证了算法的优越性。