到目前为止,包含大量冗余信息的高维图像数据集的快速增长导致其应用越来越困难,所以迫切需要新的降维方法。流形学习算法自2000年由《Science》期刊发表以来,就成为了机器学习领域的研究热点。无论从理论上还是从应用上,流形学习算法都有着重要的研究意义。经过多年的研究,流形学习算法从传统的单一流形结构演化到多子流形结构;从无监督流形学习算法改进成为监督流形学习、半监督流形学习、增量流形学习和多流形学习算法。流形学习算法在数据可视化、模式识别、文件检索和生物鉴别等方面有重要的应用价值,然而科学技术的发展使得高维数据的大小不断增大,使得传统的流形学习算法显得力不从心。近年来流行的大数据并行处理技术正好为流行学习算法处理海量高维数据提供了新的思路:另外,流形学习算法用于模式识别仍然难以获得较为满意的精度。本文研究了多流形的LLE学习算法,用于设计新的分类器,提出的改进方案很大程度上提高了流形学习算法用于模式识别的分类精度:为了解决流形学习算法的在时间复杂度上的瓶颈,利用Spark并行编程框架实现了多流形学习算法并行化,大幅度的降低了时间复杂度。总而言之,取得了如下研究成果:(1)提出了改进的多流形LLE算法(IMM-LLE)。针对多流形LLE(MM-LLE)算法难以获得很高的分类精度问题,提出了 IMM-LLE算法框架,建立任意两流形之间的局部低维嵌入和设计分类器,并设计样本外点的嵌入方法和分类方法。针对最佳维度查找问题,提出了自适应最佳维度选择方法。该方法先从训练集中抽取验证集,然后用样本外点学习方法将验证集嵌入到低维流形中,再选择分类精度最高所对应的维度作为候选最佳维度。进一步从候选最佳维度中选取使流形间距离与流形内密度比值最大的作为最佳维度。(2)提出了基于Spark的改进的多流形LLE并行学习算法(PIMM-LLE)。为了使流形学习算法适应大数据环境,引入并行学习框架,在IMM-LLE算法的基础上加入了 Spark编程框架,实现了k近邻查找、构建代价矩阵、提取特征向量和分类器构建等过程的并行化。不同量的数据集和节点下的实验表明了基于Spark的IMM-LLE并行学习算法的优越性。