在众多的身份识别方法中,基于人脸图像的方法具有独特的优势和广阔的应用前景,因而成为研究的热点和重点,而这些方法中,基于全局统计的方法由于具有概念清楚、计算简单等优点而受到研究者的青睐,但是基于全局统计的方法往往存在两方面的不足,一方面是同等对待训练样本图像中每一维度上的特征；另一方面是没有使用训练样本图像的分类信息来进行帮助学习。这两方面的不足影响了此类方法的识别率,本文以此为出发点,·提出了基于熵的局部特征保留方法,并将该方法与主成分分析方法、完全二维主成分分析方法以及核主成分分析方法融合,提出了相应的人脸识别方法,具体研究内容和创新成果如下：1.人脸图像具有同一分类中人脸图像各维度的取值的不确定性较小,不同分类人脸图像各维度取值的不确定性大的特点,本文根据这一特点提出了基于熵的局部特征保留方法,根据人脸图像各维度取值的不确定性设置相应的系数,并使用此系数对其进行线性映射,有效的降低了人脸样本图像中的冗余和干扰数据。2.主成分分析是基于全局统计的线性非监督方法,不但同等对待各维度的特征,而且还丢掉了非常有用的样本图像分类信息,因而不能获得较理想的识别率。本文针对这些不足,将其与基于熵的局部特征保留方法进行融合,提出了熵局部保留主成分分析方法,实验结果表明,与主成分分析方法相比本文的方法获得了较高的识别率。3.完全二维主成分分析同样是基于全局统计的线性非监督方法。本文结合熵局部特征保留方法的思想以及完全二维主成分分析的思想,提出了熵局部保留完全二维主成分分析方法,实验结果表明,本文方法的识别率优于完全二维主成分分析方法。4.核主成分分析方法是主成分分析方法在非线性空间中推广,但本质上仍然是基于全局统计的非监督方法。本文将基于熵的局部特征保留方法推广到非线性领域,提出了熵局部保留核主成分分析方法,实验结果表明本文提出方法的识别率较核主成分分析方法有了显著的提升。