本文的内容是关于人脸识别算法的一些研究。通常的人脸识别系统由三部分组成：人脸检测、特征提取以及识别或鉴别。本工作是针对人脸识别系统中后两个组成部分即特征提取和识别中的一些问题。 首先在对人脸识别领域有代表性的工作做了一下综述。讨论了特征提取的一些问题，传统的特征提取方法有主成分分析(PCA)和线性判别分析①DA)。当处理图像数据时，PCA和LDA先对二维图像进行向量化，进而在高维线性空间中运算。但这一方法导致PCA，LDA的计算时间复杂性很大以及小样本带来的奇异性问题。为此，近一两年来有若干新的工作试图直接处理图像矩阵而不经过向量化，如新近提出的二维主成分分析(2DPCA)和二维线性判别分析(2DLDA)。证明这些二维方法与1994年提出的分块主成分分析和分块线性判别分析等价，从而揭示了这些方法之间的内在联系。此外在FERET数据库上的大量实验表明二维方法较传统PCA，LDA并不具有一致的优越性。 接下来研究识别算法。人脸识别的最大困难在于同一个人的不同图像的类内差异往往大于不同人图像的类间差异。为了解决这个问题，构造了刻画每一个人光照姿势变化的子空间，然后用最近子空间策略来识别测试图像。但是，每个人(每类)的图片通常很少，甚至只有一张，传统的子空间估计方法无法应用。于是，提出了子空间的贝叶斯估计，在构造子空间时利用其他人脸图片的信息作为先验知识，并且证明在适当的似然度和先验分布的定义下，子空间估计是一个特征值问题。实验表明本算法明显优于经典方法。