典型相关分析(CCA)作为一种多模态特征抽取方法正越来越受到人们的关注,它通过最大化两组特征样本的相关程度来提取最优投影特征,基于此派生出了诸多优秀的分类识别算法。通过引入核技巧、局部保持、子模式、监督信息等技术,丰富了基于CCA用于模式识别的算法理论。随着压缩感知理论的提出,近年来稀疏表示的概念被引入到了模式识别领域,众多学者投身其中,提出了许多基于稀疏表示理论的优秀算法。本文将稀疏表示思想与CCA的算法理论相结合,对相关的算法进行了深入研究。具体工作如下：(1)从传统的稀疏保持投影(SPP)、稀疏保持典型相关分析(SPCCA)入手,发现其中监督信息引入不足的缺陷,借鉴监督的稀疏保持投影(S2PP)加入监督信息的方式并加以改进,提出了监督的稀疏保持典型相关分析(S2PCCA)。该方法将监督信息引入SPCCA中,取得了较好的识别效果。(2)从另一个角度审视引入监督信息的稀疏表示方法,由已有的稀疏表达鉴别分析(SRDA)入手,提出了广义稀疏鉴别典型相关分析(GSDCCA)。该算法采用另一种不同的思路将监督信息引入SPCCA中,也取得了较好的识别效果。(3)局部判别典型相关分析(LDCCA),是结合局部保持典型相关分析(LPCCA)与判别型典型相关分析(DCCA)各自的优势提出的一种方法。本文分析了该方法引入类信息存在的不足,并借鉴上述两种引入监督信息的稀疏表示方法,提出两种新的改进方法,提高了识别率。(4)将稀疏表示思想引入到多重集典型相关分析(MCCA),并引入监督信息,提出了监督的稀疏保持多重集典型相关分析(S2PMCCA)和稀疏鉴别的多重集典型相关分析(SDMCCA),实验验证了方法的有效性。