人脸检测和特征抽取是模式识别领域中的两个重要研究方向，其中的理论和技术不但是人脸识别研究的基础，而且也是解决很多目标检测和模式识别问题的关键，比如说，车辆检测、行人检测、字符识别、其它的生物特征识别等，并且这两个方向的研究对于模式识别和机器视觉学科的发展也具有较大的推动作用，所以人脸检测和特征抽取方法的研究具有很高的商业和学术价值。本文首先对主流的人脸快速检测方法进行了研究，提出了几种可以提高检测性能的算法和技术，然后对当前主要的特征抽取方法做了更深入的研究，提出了多种更加有效的特征抽取方法。基于AdaBoost和Cascade算法的人脸快速检测方法当前最为流行，本文针对训练过程中使用大量Haar-Like特征所造成的时间和空间浪费问题，提出了使用局部正交的Walsh特征来替代Haar-Like特征，通过实验证明使用较少的Walsh特征就可以得到较好的人脸检测效果。本文分析了传统Cascade算法和Nesting Cascade算法的缺陷，提出了同时具备自主和继承特性的增强型Cascade算法，实验表明增强型Cascade算法比其它Cascade算法对于人脸检测而言更加有效。另外，本文分析了Real AdaBoost算法在区间划分方面存在的问题，提出了基于模糊区间权重统计直方图的扩展型Real AdaBoost算法，在MIT-CBCL库上的实验证明了算法的有效性。在MIT+CMU正面人脸测试集和CMU侧面人脸测试集上的实验结果也表明，使用提出的相关算法训练得到的人脸检测器具有较高的检测率，优于当前的一些主流方法。最大拒绝分类器方法(MRC)是在Fisher鉴别分析基础上发展起来的一种较新的分类方法，融合AdaBoost算法的MRC-Boosting方法在一定程度上提高了分类性能。本文针对MRC和MRC-Boosting中存在的一些问题，提出自适应最大拒绝鉴别分析(AdaMRDA)，并给出了正交投影矢量集的求解方法，设计了适合于人脸检测的自适应权重调节方法和分类方法。在MIT-CBCL和FERET库上的实验结果表明，AdaMRDA优于MRC和MRC-Boosting算法。另外，本文还结合Real AdaBoost算法和AdaMRDA算法的各自优点，提出了一种基于AdaBoost+AdaMRDA算法的快速人脸检测方法，在MIT+CMU测试集上取得较好的检测效果。主分量分析(PCA)是一种重要的特征抽取方法，本文首先针对经典主分量方法进行了改进和提高，提出基于图像重构原理的重构空间主分量分析算法(RS-PCA)，并利用样本类别信息，提出了一种有监督重构空间主分量分析算法(SRS-PCA)，在ORL和Yale人脸库上的实验表明，提出的算法比经典PCA具有更好的特征抽取性能。然后，融合2DPCA的思想，提出了几种有监督的重构空间二维主分量分析算法，实验结果证明提出的算法比相应的对比算法更有效。另外，本文还提出了基于多尺度奇异值特征的主分量分析方法，实验证明该方法可以进一步提高人脸识别性能。线性鉴别分析(LDA)也是一种有效的特征抽取方法，本文首先针对PCA+LDA方法中鉴别信息损失的问题，提出了一种多频带线性鉴别分析方法(MBLDA)，提高了识别精度。然后，又基于PCA和LDA统一化原理提出了一种加强型线性鉴别准则(ILDA)，该方法将PCA的优点和LDA的优点融合在一起，通过在ORL等人脸库上的实验验证了该算法的有效性。另外，针对传统的直接线性鉴别分析(DLDA)在处理高维散布矩阵时计算量大的缺点，提出了快速DLDA算法，并在此基础上，提出基于多尺度低频特征的DLDA方法，实验结果证明了该方法能够抽取具有较高识别率的人脸特征。最后，本文分析了几种线性鉴别方法存在的缺点，从样本总体分布相似度出发提出了一种期望鉴别分析算法(EDA)，并给出了具有相互正交和近似统计不相关特性的最优鉴别矢量集的求解方法，使得抽取的鉴别特征更为有效，在两个不同类型的数据库上的实验结果表明，EDA不仅在测试精度上优于相关的一些算法而且具有更强的适应能力。本文还吸收了核方法的思想，提出了一种核期望鉴别分析(KEDA)，并对核投影的快速计算方法作了一些研究，提出核投影方法的快速算法，在保证训练结果一样的前提下，大大提高了训练速度，通过在ORL标准人脸库上的多个实验证明了所提出方法的有效性。