人脸识别是一种重要的生物特征识别技术，在公共安全、信息安全、金融等领域具有广阔的应用前景。近二十年来，人脸识别取得了很大进展，也涌现出了一些有效的人脸识别算法。其中，基于子空间的人脸识别算法得到广泛关注，逐渐成为主流的人脸识别方法之一。　　 传统的子空间方法(如PCA和LDA)，更多的是考虑数据集的全局线性特性，不能有效地发现隐藏在数据中的非线性结构特征。流形学习以其非线性特点，能够揭示数据集的内蕴结构，并保持数据的局部几何特性。局部保持投影(LPP)和邻域保持嵌入(NPE)分别是流形学习方法拉普拉斯特征映射(LE)和局部线性嵌入(LLE)的线性近似。这两种方法都具有保持局部结构属性，但是都没有考虑到样本的类判别信息。为了克服这个问题，本文提出一种新的子空间算法，称为判别邻域保持嵌入(DNPE)。该算法在NPE的基础上，将最大散度差准则(MSDC)引入到它的目标函数中。在嵌入低维子空间后，类内样本保持它们固有的近邻几何结构关系，而类间样本彼此分离，充分提取出具有判别力的特征。此外，该算法还避免了小样本问题。在AT&T和Yale 人脸数据库上的实验结果表明该算法比PCA、LDA、LPP 以及NPE 算法的识别性能更好。　　 目前多数主流的人脸识别方法直接以图像灰度作为特征选择的基础，其缺点是受成像条件和各种几何变换的影响较大，难以取得很高的识别精度。而近年来,对图像灰度进行多尺度、多方向的小波变换逐渐成为主流的思路之一。双树-复小波变换(DT-CWT)能够反映出图像在不同尺度上沿多个方向的变化情形，为人脸特征的有效提取提供了基础。因此，为了有效地利用DT-CWT 进行人脸识别，本文提出一种基于DT-CWT和DNPE的人脸识别算法，称为DC-DNPE。该算法利用双树-复小波变换后的幅值来表征人脸，然后用DNPE 算法进行降维处理，得到了较为鲁棒的人脸特征。实验结果表明了该算法的有效性。