在模式识别领域，人脸识别已经成为研究热点，不仅具有很高的研究价值，还有广阔的应用前景。本文的研究工作包括人脸特征定位和人脸识别两部分。人脸特征定位在人脸识别应用中起着非常重要的作用，定位的精度直接影响了人脸识别的性能。本文在收集和分析国内外人脸检测和人脸特征定位的基础上，研究了基于PCA重构的人眼快速精确定位。在多个人脸数据库上的仿真实验结果表明，平均定位误差可以控制在2个象素，而且计算高效，和基于模板匹配，投影函数，对称变换和小波等方法相比，能适应人眼的各种变化，包括睁合，遮挡，眼镜，光照等，完全能满足实时应用的要求。随着科技的高速发展，出现了很多高维数据，尤其在图像分析，金融，生物信息学，数据挖掘等领域的模式识别问题维数高达上万，传统的模式识别方法受到了“维数灾难”的挑战。在人脸识别领域，人脸图像是典型的高维数据，但是众多维数中只有很少一部分与目标属性相关，必须进行数据降维以提取数据有效的特征。在各种线性降维方法中，应用最广泛的是子空间方法，比如主成分分析和线性判别分析等等。这些方法都是寻找指定优化准则下数据最有效的低维表示。根据优化准则的目标，可以将其分为描述模型和判别模型。描述模型目标是寻找数据的低维最优重构，而判别模型寻找数据的低维的最优分类。一般来说，最优表示与最优判别不能统一到一起，只能选择其一。本文在研究有效的人脸识别算法时，创新性的提出了一种基于样本仿射空间的高维数据的线性降维算法。该算法巧妙地将数据的最优表示与有效判别融合到一起。该算法将原始数据降到一个维数为类别数的子空间中，降维之后得到的特征具有非常强的判别能力，可以直接作为分类器使用。该算法概念清晰，计算高效，在多个人脸库上的仿真实验结果表明，其判别能力超过了传统的LDA的算法，并能处理LDA不能处理的单样本问题，而且对训练数据的选择不敏感。