人脸识别技术已经成为当今学者们研究的一项热门问题，它具有十分重要的理论意义与实践应用价值。近年来，伴随着互联网的迅速发展、通讯技术的更新换代，人脸识别技术也得到了巨大的发展，但这其中仍然存在着一些问题，例如当被识别的图像中出现大噪声、光照、表情、以及拍摄方位等变化时，识别的正确率会有所降低，因此在该领域的研究还需要不断地加深。　　本文基于人脸识别，对其相关内容做了一个简要的概述，包括研究的意义、背景以及当前国内外取得的成果与研究进展。在人脸识别中，特征提取方法是关键性的一步，本文对其中几种典型的算法进行了描述，包括一维、二维以及基于核范数的子空间分析方法。　　二维最大间距准则算法在人脸识别领域中引起了广泛的关注，它是基于二维的有监督特征提取方法，能够较好地保留样本图像的结构和类别信息；而且该算法有效地克服了二维线性判别分析算法中的“小样本”问题。然而在实际应用中，人脸图像经常会受到稀疏大噪声与光照等干扰，二维最大间距准则难以克服这些环境的影响，引起错误的分类。　　为了解决这个问题，本文提出一种新的算法——基于核范数的二维最大间距准则（Nuclear Norm Based Two-Dimensional Maximum Margin Criterion，N2DMMC）。本算法采用核范数的度量来代替Frobenius范数，并且给出了求两最优投影矩阵的迭代更新规则，进而使用MATLAB软件在ORL与Yale两个人脸数据库上进行了人脸识别实验，实验结果表明：核范数的度量在计算时不易受到稀疏大噪声与光照等环境的影响，在人脸识别时能更准确地进行分类。