人脸识别技术在目前已经得到了较为广泛的应用,是机器学习、模式识别以及计算机视觉等领域中较为活跃的研究课题之一。虽然目前已经得到了广泛应用并取得一定的效果,但是仍然存在许多问题有待进一步解决,其中阻碍人脸识别发展的主要因素之一是由于图像的维数较高导致的“维数灾难”问题。由此可见对图像采用降维算法提取主要特征就显得尤为重要。本文采用不同的特征提取方法进行降维,提取人脸图像中有效且具有代表性的特征,得到维数相对较低的数据信息,并将数据信息在子空间表示。最后利用分类算法对子空间的人脸数据进行分类识别就可以得到正确的数据分类。本文主要针对图像数据维数较高这一问题,进行降维研究。并在最大间距准则算法的基础上提出两种改进算法:首先针对二维图像降维算法采用L2范数和L1范数构建目标函数存在局限性的问题,提出了基于L-p(1≤p≤2)范数的二维最大间距准则算法,该方法提高了原有模型的自适应性。其次由于L1范数的二维最大间距准则算法直接求解十分复杂,即使使用贪心算法简化原问题,求解过程仍然复杂而且很难得到全局最优解。利用粒子群优化算法不仅计算简单而且能够得到全局最优解的特点,将粒子群优化算法与基于L1范数的二维最大间距准则算法有效结合,利用粒子群算法优化降维投影矩阵的同时利用基于L1范数的二维最大间距准则算法的目标函数构造粒子群的适应度函数,使算法能够得到全局最优解,最终提高人脸识别的精度。为了验证算法的有效性,本文在经典的ORL和Yale数据集以及加噪声数据集上进行实验验证。