在过去的三十多年里,自动人脸识别技术得到了各个相关领域研究者的极大兴趣与广泛关注,跨越了众多研究领域,如:图像处理,计算机视觉,神经科学,统计学,模式识别等。随着技术的日益成熟,自动人脸识别技术被逐渐应用于商业及公共安全领域,从对可控格式人脸照片的静态匹配,如护照,身份证,驾照,到对实时监控中人脸图像的识别,自动人脸识别技术发挥了巨大的应用价值。目前,当用于识别的人脸图像是在可控条件下得到的图像,如:清晰正面,光照条件适宜等约束条件,此时的识别率已经达到了我们可以接受程度。但是,当用于识别的人脸图像是在用户不配合,条件不适宜的情况下得到的,如:在监控器录像中截取的非正面,低像素,光照条件不佳的情况下,这样的识别率则会大大下降,有些情况下的识别率甚至不到30%。因此可以看出,人脸识别技术存在很多问题是直到目前仍然没有解决好的,而这些问题才是日常生活中人脸识别技术亟待解决的真正问题。本文主要研究人脸识别技术中的两个问题:基于线性子空间学习的人脸识别算法和处于姿态变化下的人脸识别算法。本文首先阐述了基于线性子空间学习的人脸识别算法,详细介绍了主成分分析法,线性判别分析法,典型相关分析法。在分析线性子空间人脸识别算法的基础上,提出了一种新的基于线性子空间学习人的脸识别算法(二维判别典型相关分析法)。该算法将二阶张量的概念应用到原有的典型相关分析法中,有效避免了协方差矩阵奇异性问题,并且大大降低了计算复杂度。姿态变化下的人脸图像识别问题是自动人脸识别研究中的主要问题之一,本文概述了针对不同姿态变换下的人脸识别算法。由于人脸图像在姿态变化下随之产生的变换是非线性的,因此基于子区域的人脸识别算法能够更好地解决姿态变化下的人脸识别问题。本文在局部线性回归法和高斯概率模型的基础上,提出了一种新的基于子区域的姿态变化下的人脸识别算法(加权子区域相似度的人脸识别算法)。该算法利用局部线性回归法,生成虚拟的人脸正面图像,并且使用PSNR对生成的虚拟人脸正面图像的质量进行评价,然后在贝叶斯后验概率的指导下,利用高斯概率模型计算每对子区域的相似度来自于同一个人的概率大小,定义每个子区域的可区分度,利用这些可区分度对所有子区域来自于同一个人的概率值进行加权求和,所得概率值总合就是整幅图像对是否来自同一个人的概率大小,这个可能性大小决定了最终的分类判决。