人脸识别作为一门综合性非常强的学科,其涉及到模式识别、图像处理、人工智能等诸多的其他学科领域。迄今为止人脸识别领域的专家学者们提出了很多的人脸识别算法,但是算法在目前的研究趋势上来看越来越复杂并且运行所需的代价也越来越大,导致在实际的应用环境里,人脸识别算法执行起来所需要的条件往往也很高。本文立足于基础算法,通过分块及二级的思路来拓展基础算法并对其进行改进以提高识别率。本文的主要研究工作和成果如下：(1)分块二维局部保持鉴别分析算法原始二维局部保持鉴别分析算法在样本图像受到光照阴影、遮挡等影响时,算法的识别率受到很大影响。为此将分块的思路引入到二维局部保持鉴别分析中来以解决该问题,通过分块将相同位置的块构建成一个子样本集,之后在该子样本集上做二维局部保持鉴别以获得各块的投影矩阵,并在最后阶段将待测样本各块分别在各块所对应的投影矩阵上投影得到各块各自的特征矩阵,接下来将各块的特征矩阵整合成一个整体的待测样本特征矩阵并基于此做分类,实验验证了该算法的有效性。(2)基于分块二维局部保持鉴别分析的二级人脸识别方法该算法是对上一算法问题的延续。首先通过对训练样本进行分块并将样本相同位置的块构建为新的样本子集,然后在该子集上进行二维局部保持鉴别分析以获取各块的投影矩阵。之后对测试样本各块进行投影以获取各块的特征矩阵,但是在分类识别的过程中,我们不再对子块的特征矩阵进行整合作为总体特征矩阵来进行分类,而是将测试样本的各个子块在特征空间的投影仅在训练样本相同位置块在特征空间投影所构成的子集上进行分类。于是我们会得到一组结果,我们发现这样的过程对于待测样本范围的锁定非常有效。因此我们将之作为算法的第一个阶段,之后引入第二个阶段来进一步对测试样本进行识别,且该识别仅在第一阶段所锁定的范围内进行,并在该阶段得出最终的识别结果。(3)基于分块主成分分析的二级人脸识别方法通过对分块算法的研究,我们发现分块的方法对于样本的局部特征的提取是有效的。分块主成分分析算法在提取主成分后,对测试样本各块做投影,之后将各块的特征向量又整合在一起做作为整体用于最终的识别。该整体识别虽然在一定程度上弥补了分块主成分分析算法在提取局部特征的同时对于整体特征带来的损失,但是同时也会损失其提取的局部特征所提供的有效信息。因此我们采用另一种思路来拓展此方法以试图提高算法的识别率。在新方法中,我们获取了测试样本各块的特征向量后,不再对测试样本进行整体的识别,而是测试样本的各块仅在其所对应的所有训练样本相同位置的块组成新的样本集中进行。因此对于测试样本的每一块我们会得到一个识别的结果。在实验中我们发现,该结果高于分块主成分分析方法的结果,可以在一定地程度上说,其很好地利用了分块方法所提取的局部特征。但是其只是锁定了范围并没有给出最终的结论,于是我们在此基础上引入二级的过程对测试样本进行分类,算法的第二级过程不再提取任何特征,而直接在整体的原始样本上进行操作,并最终给出分类结果。(4)基于近邻加权协同表示的二级重构人脸识别方法在该算法中,我们将近邻及重构引入到加权协同表示中,首先提取出待测样本在每类样本中的近邻样本并构建出一个新的近邻训练样本集,在该样本集基础上进行加权协同表示分类,并由所获取的系数重构待测样本,得到一个由重构样本所组成的训练样本集合,之后在该重构的集合上再进行加权协同表示分类,并由此获取系数进行二次重构。算法在二级重构中设计了两套方案,在二级过程中方案一使用所有重构样本对测试样本进行加权协同表示,而方案二仅选择与测试样本近邻的重构样本对测试样本进行二次加权协同表示。算法在实验中验证,方案一对原算法识别率的提高是有效的,而方案二可以进一步提升算法识别率。