信息技术的快速发展使生活变得便利有序，同时对系统安全提出了更高的要求以防范未经授权的侵入及权力的滥用。生物特征识别（Biometrics）利用人体与生俱来的生理特征或行为特征进行可靠的个人身份识别已成为现代社会中一项具有挑战性的课题。人脸识别是生物特征识别技术中最被广泛关注的应用之一，也是最直观、最方便、最自然的识别方式。一个典型的人脸识别系统包括四个主要模块：人脸图像获取、图像预处理、特征提取和分类器。本文围绕人脸识别技术中的特征提取这一技术环节展开研究。　　首先，本文提出了一种新的特征选择算法。该方法使用标准的线性支撑向量机，通过对特征加权的方式实现特征选择，本文没有使用半正定划归而提出了一种用迭代的方式来实现最优权重的提取。在UCI数据库和Yale数据库上的实验证明了该算法的可行性和有效性。　　其次，本文利用了人脸图像的对称性,在核空间对映射后的特征进行了对称分解，并提出了一种新的核对称零空间鉴别分析的方法，同时兼俱了对称方法，核方法，以及零空间方法的优势。我们通过对奇偶特征加权的方法提高了性能。在ORL和FERET数据集上的实验证明了该算法的可行性和有效性。　　再次，本文提出了一种分块最大边缘法则，通过对PCA降维后的按对应特征值排序的特征分块，使得对应小特征值的特征在实现对类内最远邻和类外最近邻的样本的重构中起到的更好的补充作用，从而提取一组更优鉴别效力的子空间。在ORL和FERET数据集上的实验证明了该算法的可行性和有效性。　　最后，本文提出了一种基于Interest滤波的Fisher分类方法。以Interest算子为基础的Interest滤波是一个多方向，多尺度的Interest滤波器，它克服了原有Interest算子在人脸识别中的若干缺点。通过该滤波，人脸图像被转换成一组扩张的Interest特征向量，使得特征提取的泛化能力得到有效的提高。在FERET数据集上的实验证明该算法的可行性和有效性。