人脸识别是人工智能与模式识别的一个重要研究方向，它涉及到图像处理，计算机视觉，模式识别，机器学习等相关的多门学科，它的高可靠性和高稳定性使它广泛应用于信息安全，金融，安全防务等多个领域。　　 特征提取是人脸识别中极其重要的一个步骤，特征提取的效果直接影响正确识别人脸的正确识别率。常见的特征提取方法有基于线性形的特征脸方法、基于非线性的流形方法以及核方法等。而本文主要工作就是针对流形方法中拉普拉斯特征映射(LE)的线性近似的局部保值算法进行改进。　　 单独运用局部保持投影(LPP)算法进行人脸识别时，噪声影响会破坏真实的流形结构，由于噪声点主要分布在图像的高频、水平和垂直信息分量中，而Haar小波可以有效的分离这些分量，根据这一优点本文提出一种Haar小波与LPP相结合的算法。此算法先通过Haar小波消除大部分包含噪声信息的分量，而保留含有原始图像大量能量的低频分量，再把包含低频分量的图像转化为向量形式叠加到原图像中去，使之变成更高维空间向量，再利用LPP算法对其降维，并依据最近邻准则实现人脸识别。通过在AT&T与Sheffield人脸数据库上的实验表明该方法优于原始的LPP算法。　　 大量研究表明，人脸图像数据是位于一个非线性的流形上，而LPP是一种线性的方法，不能很好的描述数据的拓扑结构，因此本文引入了核方法，该方法可以将原始空间线性不可分的数据映射到核空间，使其变成线性可分，从而使人脸数据的拓扑结构表现的更真实；另外，由于LPP算法是无监督的，降维后得到的是样本的最佳描述信息，而不是有利于样本识别的最佳分类信息。基于以上分析，本文提出了非线性有监督的核方法KSLPP，该方法首先选择一个核函数，通过非线性映射将原空间中线性不可分的数据映射到一个维数可以无穷大的高维核空间，再利用LPP算法在此空间计算基向量，然后将核空间中的人脸图像向每个LPP基向量做投影，在一维投影子空间上进行线性判别分析，抛弃主要反映类内差异的基向量，选择主要反映类间差异的基向量来构造新的子空间，在AT&T、YaleA以及Sheffield人脸数据库中进行了实验，结果表明该方法对光照与表情的变化有一定的鲁棒性。