随着信息产业的飞速发展,人类生物特征识别技术成为一种热门研究领域。在众多生物特征识别技术中,人脸识别技术因其特有的主动性、非侵犯性以及用户友好性等优点,一直受到学术界和商业界的广泛关注。人脸识别系统分为四个部分：人脸图像采集、人脸图像预处理、人脸图像特征提取以及分类识别,其中最重要的环节是特征抽取环节。特征抽取目的主要在于降维,其基本思想是将原样本投影到一个低维特征空间,得到原样本的最本质信息。在国内外众多专家学者的不懈努力下,已涌现出诸多经典算法,例如主成份分析和线性鉴别分析是最为著名的算法,此后出现的稀疏表示方法也逐渐被人们熟知并广泛应用于模式识别领域,稀疏表示算法的基本思想就是用一系列已知样本来线性表示出一个未知样本的大部分信息。但是这些算法具有一定的弊端,即在实际工作中,图像采集时较易受到外部环境(如光照、遮挡阴影等)的干扰,所以如何在图像采集的同时能尽可能减少噪声干扰变得尤为重要。本文基于线性回归分析的特征抽取及分类应用进行了深入的研究。全文主要工作概括如下：1、迁移线性表示分类(Transfer Linear Representation Classification)传统的稀疏表示方法一般是用训练样本的线性组合去表示测试样本,忽略了训练集和测试集之间的分布差异,而且仅考虑了训练样本所包含的信息,测试样本内也有对分类识别较为有效的信息。为解决这一问题,本文提出一种迁移线性表示分类方法,有效的考虑了测试样本所包含的信息,减小了训练集和测试集之间的分布差,增强了训练集和测试集之间的“兼容”性,提高了算法的识别性能,且该方法可作为一个图像预处理方法。在GT、AR、Extended Yale B和CMU PIE数据库上的实验证明了该方法的有效性和实用性。2、基于镜像图像的鲁棒最小平方误差算法(Mirror Image based Robust Minimum Squared Error Algorithm)最小平方误差方法在计算机视觉领域应用广泛,该方法目的在于寻求一种能预测样本类别标签的映射,从而利用该映射预测出测试样本的类别。但是该方法缺乏一定的鲁棒性能,即对于那些带有姿态表情变化的样本,最小平方误差方法无法取得良好的识别效果。此外,缺乏足够的训练样本是模式识别中一个经典问题,所以有学者提出镜像图像的思想,可有效扩大训练样本集。本文结合镜像图像思想和最小平方误差的缺点提出了一个基于镜像图像的鲁棒最小平方误差算法。在FERET、Extended Yale B、ORL和AR人脸库上的实验表明,相对于原最小平方误差方法,本文所提算法具有更强的鲁棒性和识别性能。3、基于非负表示系数的两阶段人脸识别(Two Stages Face Recognition Based On Nonnegative Representation Coefficient)衡量人脸识别算法的优劣通常需要综合考虑算法识别性能和算法复杂度,传统的稀疏表示方法确实能取得一定的识别效果,但是时间复杂度较高,而且对于任意测试样本,通常需要逐一考察每类训练样本与测试样本的距离,较为繁琐。事实上有些训练样本对线性表示测试样本的贡献较小,完全可以不用考虑。根据这一思想,本文提出了基于非负表示系数的两阶段人脸识别算法,其主要思想是：第一阶段用所有训练样本线性表示测试样本,且约束表示系数非负,从而剔除表示系数较小的训练样本；第二阶段将剩余的训练样本分类,用每类训练样本重构测试样本。针对测试样本的分类问题,本文提出两种识别方案,方案一通过衡量测试样本与每类重构样本之间的残差对测试样本进行分类识别,方案二用每类重构样本表示测试样本且系数非负,根据得到的表示系数计算残差,将测试样本分类到残差最小的类别。在ORL、FERET和GT人脸数据库上的实验验证了该方法的有效性和实用性。4、基于迁移线性表示的l2范数重构鉴别投影(l2-norm Reconstruction Discriminant Projection Based On Transfer Linear Representation)在人脸识别中,由于传统的稀疏表示方法没有给出一种能够处理噪声的机制等问题,且当提取的特征数量非常少时,不同的特征提取方法的识别性能也存在着显著的差异,所以Yang等人提出了稀疏表示鉴别投影方法,目的是在做稀疏表示分类算法时,用少量的特征取得较高的识别率；针对该方法的时间复杂度较高等问题,Cui等人提出了协同表达鉴别投影。但是这些方法通常都是用训练样本“单向”表示测试样本,忽略了测试样本中的信息,而且当训练集和测试集之间存在较大的分布差异时,识别效果往往不佳。所以本文提出基于迁移线性表示的l2范数重构鉴别投影,该方法首先利用迁移线性表示增强训练集和测试集之间的“兼容”性,然后再做协同表达鉴别投影算法。在GT、ORL和AR人脸库上的实验验证了该算法的有效性和实用性。