线性子空间方法是人脸识别的主流方法之一,具有描述性强、计算代价小、易实现的特点,故受到广泛的关注。该文就有关线性子空间方法的理论和相关算法进行了深入的研究,所提出的算法在人脸识别上表现良好。该文首先研究了线性鉴别分析用于人脸识别时遇到的高维小样本问题。解释了IFDA(Inverse FDA)算法的合理性,建立了IFDA的理论基础。在ORL和Yale人脸库上的仿真试验比较了LDA统一框架算法、MMC和IFDA解决小样本问题的能力,揭示出它们的一些特性。该文研究了基于图像矩阵的线性鉴别分析进行图像压缩时的方向性问题,并提出了一种新的距离度量用于图像特征识别。通过仿真试验得出了有现实意义的结论并证实了本文所提出距离度量的有效性。该文揭示了在小类别人脸识别问题上ICA方法的独特性质。以一种新的方式证明了ICA以PCA作为基准算法的结论,并且讨论了特征选择与ICA人脸识别算法的适应性问题。最后,提出了一种称为监督化ICA(SICA)的新的人脸识别方法。仿真试验验证了讨论得出的相关观点,证实了所提出新方法的有效性。作为对子空间方法的补充,该文提出了一种称为监督化KPCA(SKPCA)的新方法。SKPCA结合了KPCA和监督化学习的优点,其提取的特征分类能力杰出。人脸识别试验证实了SKPCA是一种有效而稳定的非线性子空间方法。