人脸识别作为生物特征识别中最自然最直接的手段,受到越来越多的研究和产业关注。如何有效的从人脸图像中提取鉴别特征是人脸识别需要解决的关键问题。在众多特征提取技术中,子空间分析方法因其实施性好、有效性高等特点,成为人脸图像特征提取和识别的主流方法之一。本文针对子空间方法在人脸识别应用中的高维计算代价问题、约束问题、单样本问题和分类机制设计问题等,进行了若干具体子空间方法分支的理论和应用研究,主要完成以下工作:①提出了主成分分析变换空间上的鉴别共同向量算法(PCA+DCV)。该方法通过在主成分分析变换空间上实施两次Gram-Schmidt正交化过程进行最优求解。在保留原算法数值稳定性高的优点的同时,利用主成分分析变换空间的低维特性降低了算法复杂度,提高了求解速度,更适合高维人脸样本分析计算应用。②基于本文PCA+DCV算法中的主成分分析过程,进一步提出了依据主成分对应特征值进行权重处理的鉴别共同向量识别算法(WPCA+DCV)。该算法把对样本主成分的权重预处理工作融合在最优投影矩阵的求解工作中,弱化了受光照等条件影响严重的主成分的判决作用。实验结果证明该方法提升了基于鉴别共同向量实现的人脸辨识的效果。③提出了一种在非负矩阵分解框架下传统子空间方法的统一形式和收敛算法。在该统一形式下,进行了主成分分析、Fisher线性判别和局部邻域保持投影方法思想的非负约束实现,完成了“非减性、加合性”的基学习,跳出了一般子空间基线性组合时常见的正负抵消的产生模式的局限。该方法可为多种子空间学习算法提供更好的视觉和心理解释性,反映人类思维中“局部构成整体”的概念。④面向单样本人脸识别任务,提出了基于光流检测权重的模块二维主成分分析方法。针对一般子空间方法面对单样本情况性能退化明显的问题,本文利用模块二维主成分分析的特性,在实现保留样本局部信息、更稳定估计数据协方差矩阵的基础上,提出了利用光流度量人脸图像之间的直观区域差别,并通过权重方法将其作为先验知识定量地引入子空间鉴别过程的思想方法。实验结果验证了该方法在解决单样本问题时,相对于一般子空间方法在识别正确率及稳定性方面具有显著提升。⑤建立了一个基于单个二次规划问题进行各类样本整体优化的多类支持向量分类器算法。该算法具有优化问题规模不随目标分类类别数增长的特性,解决了现有基于整体优化的多类分类支持向量机在大规模样本学习中的算法复杂度限制问题。相比最近邻分类方法,该方法可为样本特征在子空间中提供更好的分类超平面决策,丰富了子空间方法在人脸识别应用中的分类决策设计手段。