近几十年来，人脸识别技术已发展成为模式识别领域的一个研究热点，其在身份鉴别、档案管理、信用卡验证、人机交互等方面有着广泛的应用前景。人脸识别技术中一个关键难点在于如何提取人脸样本中的有效鉴别特征，近年来的研究表明，人脸样本中的许多重要信息包含在样本的高阶统计量中，并且人脸样本数据结构属于一种非线性结构，因此作为能够反映样本高阶统计信息的独立分量分析算法以及一些适于处理非线性问题的流形学习算法引起了研究者们的广泛关注，然而这些经典的算法在实际应用中仍存在诸多问题。本文针对独立分量分析以及流形学习算法进行深入研究，提出了一些改进算法，并在多个人脸图像库中验证了算法的实用性和有效性。主要工作包括：　　 ⑴基于二维图像矩阵的ICA人脸识别。经典的独立分量分析(ICA)算法能够反映样本的高阶统计信息，因此识别效果要优于经典的主分量分析算法，然而在利用独立分量分析进行人脸识别时，不可避免地会出现高维小样本问题(即可用样本数要远远少于样本维数)，为了降低这种问题所造成的人脸识别错误率，本文提出了一种基于二维图像矩阵的独立分量分析特征提取方法。该方法直接采用人脸图像矩阵作为训练样本，首先利用主分量分析对训练样本进行去二阶相关和降维处理，然后对处理后的样本利用独立分量分析提取鉴别信息，由于训练样本维数较小(为人脸图像样本的行数或列数)，因此所提算法降低了传统ICA方法中高维小样本问题产生的识别错误率，同时能够减少计算量提高识别速度。在Yale人脸库和ORL人脸库上验证了该算法的有效性。　　 ⑵基于分块独立分量分析的人脸识别。利用独立分量分析方法进行特征抽取，其识别率容易受到噪声的影响，同时样本中存在的高维小样本问题会造成识别率较低且识别时间较长等问题。本文提出了一种基于分块独立分量分析(BICA)的特征提取方法，该方法通过将人脸分块降低了光照条件、人脸表情等外在因素对人脸识别的影响，并先后将分块后重组的矩阵的行和列作为训练样本提取独立分量，由于训练样本维数很小，因此它降低了传统独立分量分析(ICA)方法中存在的高维小样本问题产生的识别错误率，同时减少了识别时间。在Yale人脸库和AR人脸库上验证了该算法的有效性。　　 ⑶基于局部人脸图像的ICA人脸识别方法。独立分量分析能够有效利用人脸样本的高阶统计信息抽取样本的鉴别信息，但是提取的鉴别信息并不能反映样本的局部信息。本文提出了一种基于局部人脸图像的ICA方法，它首先将人脸分成若干个块，然后直接将分成的每个局部人脸图像作为训练样本，另外由于不同图像样本的行和列间均存在相关性，本文方法先后从训练样本的水平方向、垂直方向提取独立分量。相较于传统的独立分量分析方法，所提方法具有如下优点：一、降低了人脸识别过程中存在的高维小样本问题产生的识别错误率；二、将分块后的局部人脸图像作为训练样本，这不仅增加了训练样本数，而且有利于提取人脸的局部特征；三、依次从训练样本的水平方向、垂直方向提取训练样本特征，使得提取的特征不仅维数更小，而且能更有效地反映样本的局部信息。在Yale及AR人脸库上的实验表明，相较于其它人脸识别方法，本文方法更稳定，识别率更高。　　 ⑷基于ICA和UDP相结合的人脸识别。独立分量分析(ICA)是一种基于样本整体数据结构的特征抽取方法，无法反映样本内在的数据关系，因此ICA不利于解决人脸识别这类非线性问题，并且识别率易受人脸姿态、光照等外在因素的影响。无监督鉴别投影(UnsupervisedDiscriminant Projection，UDP)属于一种流形学习算法，它同时考虑到样本的局部特征和非局部特征，这有助于解决人脸识别这类非线性问题。本文提出了一种将ICA和UDP的相结合的算法，首先利用ICA提取样本特征，然后对提取的特征利用UDP进一步获取有效的鉴别信息。这种方法能够反映样本潜在的数据结构，同时能够有效降低噪声对识别率的影响。在Yale及FERET人脸库上的实验结果验证了该算法的有效性。　　 ⑸增强的边际费舍鉴别分析及其在人脸识别中的应用。边际费舍鉴别分析(Marginal Fisher Analysis，MFA)是一种有效的可处理非线性问题的监督流形学习算法，它根据样本的近邻关系构造两个图：类内近邻图与类间近邻图，然后根据这两个图来制定同类样本间的内聚与不同类样本间的分离准则。尽管实验结果证明MFA比其它一些常用人脸识别算法(例如PCA、LDA、LPP)等更有效，但是对于任一样本在构造它的类间图时均是建立在整个样本数据集上的，因此计算量十分繁重。本文提出了一种增强的边界费舍线性鉴别分析方法，首先根据每类样本的均值之间的近邻关系寻找每类样本的K个最近类，然后可在每类样本的最近类中寻找边际点，所提方法能够减少大量计算且能够有效避免异常值现象。在ORL及FERET人脸库上的实验表明，本方法要优于其它人脸识别方法。