随着信息技术的高速发展,在人类活动中产生了大量多源异构的高维数据。如何从这些具有复杂结构的数据中挖掘有用信息,是一项具有较大科学价值与社会价值的课题。表征学习是一种重要的高维数据分析技术,旨在提取数据的关键信息用于指导数据挖掘,已成功运用于计算机视觉、生物识别和信息检索等领域。通过表征学习得到的是一种中间表示,它需要适应于具体的下游任务才会具有实际的应用价值,本文主要面向子空间聚类分析进行表征学习的理论与应用研究。近年来,在先进的子空间聚类方法中,表达数据亲和关系的结构信息得到了广泛关注,它能够有效地用于表征学习。然而,现有面向子空间聚类分析的表征学习方法对所选数据的敏感性较高,获取的聚类精度不稳定,同时这些方法往往需要迭代优化,计算成本较高。为了解决这些问题,本文研究了一种新颖的基于结构感知的表征学习模型,用于学习具有良好判别力的数据表征,又将其从子空间表征学习延伸到降维表征学习中,通过结构保持的方式进行数据降维得到对应的低维嵌入,有效地解决了高维数据在子空间聚类分析中存在的维数灾难问题。本文的主要研究工作概括如下:（1）为了降低算法对不同数据的敏感性,解决现有子空间聚类方法因分组效应不高而导致的聚类精度不稳定的问题,本文提出了一种基于结构感知的子空间表征学习模型,它通过一种新的联合分组度量方法,利用不同结构之间的一致性关系促进数据内在结构的感知,得到一个能够全面表达数据亲和关系的结构图,再将该结构图用于子空间聚类分析。在生物信息、手写数字、物体图像与语音信号数据上的实验结果表明,所提模型与大多数先进方法相比表现了更好的聚类性能,其中在生物信息上的提升最显著,关于聚类精度与归一化互信息的最优结果分别提升了8.24%与5.18%,验证了所提模型能够有效学习判别力良好的子空间表征,更好地解决了针对高维复杂结构数据的子空间聚类问题。（2）为了解决高维数据子空间聚类分析中存在的维数灾难问题,本文在结构感知的基础上,又提出了一个基于结构保持的数据嵌入算法。不同于传统流形学习方法使用欧式距离度量样本之间的相似关系,所提算法使用结构表征刻画样本之间的一致性关系,有效地将表征学习与数据降维集成到一个最优框架中,相对高效地找到了最优的嵌入方向。实验结果表明,所提算法表现了一致的最佳性能,在具有多重变化的人脸图像数据上可提升12.51%的聚类精度,验证了该算法在降维表征学习上的有效性。本文提出的结构感知是一种通用的表征学习模型,它不需要任何迭代优化,因此计算成本相对较低,同时在全局结构感知方面,引入简单的散度优化方法提升了算法效率,降低了模型的复杂性。此外,该模型的重点在于构建能够全面刻画样本关系的结构图,具有一般性,可以自然地拓展到表征学习的其他研究领域,为今后从事基于图的表征学习研究提供了一种新思路。