数据降维是当前研究的热门话题。既要降低数据的维数,又要维持数据本身的有效信息,减少数据信息的丢失,是人们必须解决的问题。基于流形学习算法中的判别局部保持投影(DLPP)是一种有效的数据降维方法,它能有效使用数据中的判别信息,从子空间通过最大化类间距离找出最佳的判别特征,但是它却无法避免传统的小样本(SSS)问题,即样本的维数远大于样本数。本文结合指数判别局部保持投影(EDLPP)算法,利用矩阵指数进一步提出了改进的DLPP算法,称为广义矩阵指数判别局部保持投影(GEDLPP)算法。该算法构造通用的矩阵指数函数,避免了奇异矩阵的产生,从而解决了小样本问题;同时,在计算广义特征矩阵时,通过对投影矩阵的正交化,从而保留了原有样本数据之间的特征信息;此外,利用GEDLPP隐含的非线性映射,使得类间样本之间的距离大大增加,从而提高了模式分类的性能。为了验证GEDLPP算法在模式分类方面具有良好的性能,本文选取YALE,Extended YALE-B、CMU-PIE和COIL-20等公开的图像数据库进行相关实验。实验结果表明,GEDLPP算法在模式分类和图像识别方面,与其他经典数据降维算法相比,都有优异的表现,且不存在小样本问题,更有良好的鲁棒性。除此之外,本文将GEDLPP算法应用于人脸识别进行了系统实现。基于MATLAB软件平台实现了人脸识别流程中的必要功能,该系统可应用于较小规模的场景,例如公司考勤打卡、实验室门禁等数据量较少的人脸比对识别。