人脸在人类的交流中起着重要的信息表达功能,人脸呈现的表情传递着人类复杂的情绪和感受。但由于人脸的生理学结构非常复杂,计算机从人脸中提取的特征常常难以直接利用。本文以基于子空间学习的特征分析为主线,研究了三维人脸表情识别与人脸照片合成的关键算法。人脸的特征空间通常具有很高的维度,这给人脸的分析和理解带来很大的困难,利用图分割方法可以将特征空间中的噪声及无关数据过滤掉,高效的压缩特征空间,保留最有效的特征数据。文中提出了一种基于Normalized Cut的特征选择算法来优化特征空间,并应用在基于三维数据的人脸表情识别上。首先计算特征的区分度,用信息增益表示特征之间的相关度,并由此构建特征图,利用图分割算法迭代的分割和压缩特征空间。以此方法得到的特征具有极强的区分度和极小的关联度,而且避免了维度灾难,实验结果表明了该方法的优越性。人脸图像上的每一小块在人脸特征空间中具有局部性的特点,利用局部坐标编码可以将空间中的一点用其子空间中邻近点来线性逼近,从原始空间中可以学习到特征字典,而字典项的编码和组合能够生成更多相近的结果。在人脸合成中,可以利用该方法来克服训练样本的缺失或不足的问题。通过分析素描与照片图像空间的特征关系,首先从训练集中学习出素描与照片图像块对应的字典,然后用局部坐标编码去获得素描与照片空间的非线性关系,并用模拟退火算法来优化全局能量,大大的提高了合成质量。通过子空间学习及特征分析既能够将高维度高冗余的特征空间压缩过滤,得到利用人脸分析和识别的强特征,又可扩展人脸特征空间,在人脸合成过程中增加所需的训练样本,提高合成的质量。基于子空间的特征分析方法可以应用在人脸的诸多研究领域,优化传统方法的研究结果。