排序学习是当前信息检索和机器学习领域中的一个重要研究热点。本文在排序学习框架下，对子空间方法进行了系统的研究。本文的主要工作和贡献如下;　　 提出了一种用于排序的特征选择的方法。该方法以年龄估计为背景，试图从人脸图像中寻找那些具有有序分辨力的特征去表示人脸，基于这些选择的特征去进行人脸年龄估计。首先，定义了两个概念:一个是特征保持有序信息的能力;一个是特征保持局部几何信息的能力。通过最大化特征保持有序和局部几何信息的能力，可以得到含有较高有序分辨力的特征集。然而，特征之间常常存在冗余信息。为了消除特征之间的冗余信息，定义了两个概念:一个是特征之间的有序信息冗余;一个是特征之间的局部几何信息冗余。通过最小化两种信息冗余，可以得到含有较少冗余信息的特征集。最后，将两个目标函数集成到一个框架下，通过序列优化求解，可以得到具有较高有序分辨力，同时具有较少冗余的特征集合。基于得到的有序特征集合，采用了经典的排序学习模型进行人脸的年龄估计。在实际的应用中，人工标注人脸图像年龄的代价是非常高的，同时在源数据中存在着大量的非标注数据。因此，将监督的特征选择方法又扩展到半监督的模式，同时发展了一个半监督的排序学习模型。在三个标准的年龄估计数据集上进行了大量的实验，实验结果验证了我们算法的有效性。　　 提出了一种基于排序的距离度量学习算法。首先提出了一个线性的方法。该方法目的是保持数据的局部几何结构和序信息。由于现实的图像数据通常具有非线性的结构，因此在线性方法的基础上，结合核技巧，提出了一种非线性距离度量学习方法。该方法首先将原始数据映射到希尔伯特空间，然后在希尔伯特空间学习线性的距离度量方法。为了能够有效的集成多种特征，最后扩展基于单核的方法到基于多核的距离度量学习方法。通过大量的实验表明，提出的方法与现有的方法相比，提高了排序模型的性能。同时，通过考虑数据的非线性结构，基于单核的距离度量学习方法要比线性的方法在性能上有所提高。相比于线性和单核的距离度量学习方法，基于多核的算法进一步提高了排序性能。　　 提出了一种基于全局结构信息和序信息的特征变换方法。该方法的出发点在于寻找一个低维的子空间，在这个子空间上，数据的全局欧式结构和有序信息能够同时被保持。为了达到这个目标，首先定义了两个序规则化的图像散度矩阵:一个是基于图像的行方向，它的对角线元素测量了相应的列在同时保持数据有序信息和全局结构信息的重要性，非对角元素测量了图像列之间在保持上面两种信息时存在的冗余;同理，定义了一个基于列方向的可选择的序规则化图像散度矩阵。基于定义的这两个矩阵，兼顾全局结构信息和有序信息，利用新的目标函数得到一个简洁的子空间特征表述方法。实验结果表明，与现有的方法相比，提出的方法能有效地提高排序性能。　　 提出了一种基于局部结构信息和序信息的特征变换方法。该方法的出发点是基于:1）查询图像和相关联的图像分布在一个低维的流形上;2）查询图像和相关联的图像之间的关系是有序的。因此，其目标是寻找一个低维子空间，使其能够同时保持数据的局部流形结构和序信息。为了达到此目标，分别定义了多个保持数据局部结构和序信息的理想方向。通过寻找一组正交向量最大化所有向量与相应的理想方向的内积和，来尽可能多的保持上面两种信息。在两个标准的图像排序数据库上进行了测试，大量的实验结果表明能够提取有序的特征，能够较大地提高图像排序的性能。　　 总的来说，在排序学习的框架下，本文对子空间特征学习的关键技术做了有益的探索。