特征提取算法在人脸识别研究领域占有重要的地位，是最基本的研究问题之一。目前，人脸特征提取的重点是对算法可行性与有效性的研究。尽管在特征提取领域，已经出现了许多经典的算法，并且被广泛应用；但是经研究表明，人脸样本是分布在嵌入到高维空间中低维非线性子流形上的，然而传统子空间线性分析方法由于无法准确描述样本具有的流形结构而低效。局部保持投影(LPP)作为拉普拉斯映射的一种线性近似，可较好地反映出其流形结构，但是其仍是一种无监督的学习方法，分类能力较弱，它在人脸识别中并不是最有效识别算法。鉴于此，本文给出了基于LPP算法的3种有监督的子空间特征提取算法：1.在CCA算法和LPP算法的基础上，提出了RLPCCA算法。该算法通过引入类信息，将CCA算法与LPP算法有效地结合起来，在区分了样本类别信息基础上，不但能够保持样本类内的局部信息结构，而且还能使两组样本间达到最大相关化，以及各个特征投影分量之间具有不相关性，极大地提高了算法的识别率。2.在MSDC算法的基础上，提出了具有统计不相关性的UMLPP算法。该算法融合了MSDC算法和LPP算法的特点并且通过寻求一组最优的统计不相关鉴别矢量集，既消除了特征间的冗余，便于数据的重构，又使得在投影后的特征空间，样本类间散度达到最大，而类内散度最小，增强了算法的稳定性和有效性。3.基于LPP算法的复合位置保持投影。该算法在构造邻接图时，将相同类各点直接作为k近邻点，在确定近邻点的同时，也确定非近邻点，既保留了局部结构的稳定性，又使整体的结构趋向于最大化，充分的考虑了样本类间和类内的差异，使得不同类之间的点能两两相互远离，而同类的点能够相互地逼近，从而能形成很高的聚簇。分别在不同人脸库中进行对比实验。通过实验结果，验证了以上3种算法在实际应用中均具有可行性与有效性。