特征提取可以简化数据,保留有价值的信息,同时也大大降低了后续图像处理工作难度。本文的研究工作聚焦于基于表示与投影学习的图像特征提取算法。目前,许多现有的特征提取算法存在算法理论不新、复杂度高、性能不突出等问题,因此需要新的方法来提高特征提取的效果。为此本文提出了新的特征提取模型和优化算法,从多个方面去论证算法的先进性。具体研究工作如下:首先,提出了基于正交投影学习的图像特征提取算法。相关学者在投影降维方面已经提出了很多优秀的算法,但是仍然存在一些未解决的问题。比如只关注嵌入空间中的数据而忽略了从原始空间到嵌入空间的投影过程;无法充分利用样本的标签去指导投影过程等。基于以上问题,本文提出了一种基于正交投影学习的图像特征提取算法,该算法主要有三个优势:（1）利用范数约束,使得样本的主要信息嵌入到低维空间中;（2）引入分类损失函数,有效利用样本的标签信息;（3）利用加权Schatten-p范数对模型进行秩约束。实验结果表明,所提模型能够提取出图像的主要特征信息,并且能提高分类器对图像的识别准确度。其次,提出了联合核投影与表示学习的图像特征提取算法。图像信息在原始数据空间中往往是复杂非线性的,现有图像特征提取算法通常是基于原始数据空间构建数学模型,将图像数据降维到低维空间中,完成特征提取任务。而基于核技巧的映射算法则是通过核函数将原始空间中的图像数据映射到Hilbert空间,更有利于寻找数据特征间关系。现实生活中的数据往往都是非线性数据,这使得对数据进行分类识别是困难的,为此通过核技巧的引入,将原始空间中的非线性数据投影到Hilbert空间,学习高维空间中的数据特征关系,进而指导图像数据的低秩表示学习过程,会得到更加简单高效的低维特征信息。最后,将本文所提的两种特征提取算法应用到人脸图像分类任务中。基于Matlab的Gui界面设计功能将本文所提的算法集成到软件中,实现了可以对人脸图像进行分类的功能。本文基于现有的算法,分析其优缺点,进而提出自己的模型,通过分析及实验验证,证明了所提算法的先进性。此外,本文将所提算法应用到人脸图像分类中,并且得到了很好的分类结果,证明了算法的实用性。