随着网络和信息技术的快速发展,信息交换者之间身份的认证和确认极为重要,人们对于信息安全性的要求越来越高,需要进行人的身份认证的场合也越来越多。生物特征识别技术是利用人的生物特征进行识别,并秉承了它的先天不易遗忘丢失等优势,因此,生物特征识别技术已成为如今最有效的身份认证技术。人脸识别是生物特征识别技术之一,它是利用人脸图像中的有效信息进行身份认证识别的一种技术。与其它生物特征识别相比,人脸识别以其简单、方便、不直接接触等优势,赢得社会各个领域的信赖并且已具有非常广泛的应用前景。在使用人脸识别技术进行身份认证的过程中,特征提取是最为重要的一步。研究者在特征提取中发现,人脸图像数据可能存在于一个潜在的低维流形当中,传统的子空间方法无法保持数据的流形结构,因此,流形学习算法应运而生。在实验中流形学习算法具有较好的识别效果,但由于其存在样本点外的问题,使得很难直接应用到实际当中。因此学者们在经典算法的基础上提出了许多的改进算法,取得了较好的应用效果。本文深入研究了基于流形学习的特征提取方法,并在此基础上做了以下工作：1.在保持邻域嵌入的基础上,利用样本的类别信息计算类间散度矩阵和类内散度矩阵,同时采用先验类信息重新构造保持邻域嵌入(NPE)的权值矩阵,然后把类间散度矩阵与类内散度矩阵之差即最大间距准则的目标函数引入到更改了权值矩阵的NPE目标函数中,提出了保持邻域分类嵌入算法。算法能计算得到既能保持局部特性又具有良好分类特性的投影向量,克服了保持邻域嵌入算法没有有效利用监督样本信息的缺点,较好地保持了人脸数据中流形的几何结构和判别结构信息。2.针对流形学习中非线性特征提取和有标记样本不足问题,提出了一种基于核正交半监督鉴别分析的人脸识别算法。算法将无监督判别分析和边界Fisher分析进行结合,加入调节贡献度的常系数使之改进为半监督算法。其中,利用无监督判别分析来对大量无标签样本进行训练,而利用边界Fisher分析对少量有标签样本进行训练。同时,将核正交化的思想引入其中,在特征求解时保证各向量正交,这样不仅有效提取了人脸的非线性结构同时充分利用了监督样本和无监督样本。最后,通过实验证明了该方法是有效可行的。