阵的低秩逼近是一种大规模矩阵低秩近似表示技术，是从大规模、复杂的数据中 寻求数据潜在信息的一种强有力方法。非负矩阵分解（ Nonnegative MatrixFactorization, NMF)） 是矩阵的低秩逼近方法之一，它是指被分解的矩阵和分解结果矩阵的数值都 是非负的。由于该方法符合数据的真实物理属性，数据的可解释性强，分解结果能够表 示事物的局部特征，且模型符合人们对于客观世界的认识规律（整体是由局部组成的） 等优点， 模型和算法自提出以来得到了广泛研究和应用，已经被成功地应用到许多

作为一种重要的身份认证的手段，人脸识别已经广泛地应用于管理、安全等各个领域。人脸识别的一个关键性的问题是特征抽取，即如何从众多的特征中寻找最有效的特征。子空间分析法是一种有效的特征抽取方法，而本文所研究讨论的非负矩阵分解(Non-negative Matrix Factorization, NMF)具有一些独特的优点，成为构建特征子空间的一种有效的方法。 非负矩阵分解是一种新的矩阵分解方法，它将一个非负矩阵分解为左右两个非负矩阵的乘积。由于分解前后的矩阵中仅仅包含非负元素，因此原来矩阵中的列向量

作为一种重要的身份认证的手段，人脸识别已经广泛地应用于管理、安全等各个领域。人脸识别的一个关键性的问题是特征抽取，即如何从众多的特征中寻找最有效的特征。子空间分析法是一种有效的特征抽取方法，而本文所研究讨论的非负矩阵分解(Non-negative Matrix Factorization, NMF)具有一些独特的优点，成为构建特征子空间的一种有效的方法。 非负矩阵分解是一种新的矩阵分解方法，它将一个非负矩阵分解为左右两个非负矩阵的乘积。由于分解前后的矩阵中仅仅包含非负元素，因此原来矩阵中的列向量