典型相关分析(CCA)是一种有效的研究模式识别中两组特征数据之间相关性问题的特征提取算法。现实世界中,同一模式总是表现出多种不同的的特性,因此本文从融合多组特征的角度出发,以基于稀疏表示的多重集典型相关分析算法(MCCA)为研究基础,结合核技术、样本类别信息、最大间距准则等相关基本理论知识,建立了一系列特征提取、特征融合的算法。本文主要研究工作如下：(1)由于稀疏保持投影的典型相关分析算法并不能满足实际工作中非线性问题的需要,在核技术启发下,研究了基于核的稀疏保持投影的典型相关分析算法(KSPCCA)。在此基础上,为了避免最优核函数选择的问题,以及满足多特征融合的需要,结合多核学习的思想,以及稀疏保持投影的多重集典型相关分析算法(SPMCCA),研究了简单的基于多核的稀疏保持投影的多重集典型相关分析算法(sMKSPMCCA)。(2)用L2范数求解稀疏表示的正则化方程,可以得到协作表示系数,用协作表示系数建立样本重构邻接矩阵,提取子空间特征,得出协作表示投影算法(CRP)；CRP没有考虑类别信息,从而加入类别信息,研究了协作表示鉴别算法理论(CRD)；再分别结合MCCA与核方法,研究了协作表示投影的多重集典型相关分析算法(CRMCCA)、基于核的协作表示投影的多重集典型相关分析算法(KCRMCCA)、协作表示鉴别的多重集典型相关分析算法(CDMCCA)、基于核的协作表示鉴别的多重集典型相关分析算法(KCDMCCA)。(3)求解稀疏表示系数只考虑同类样本,求得同类样本稀疏系数,并结合最大间距准则(MMC),研究了判别稀疏近邻保持嵌入算法理论(DSNPE);再运用到MCCA中,研究了判别稀疏近邻保持嵌入的多重集典型相关分析算法(DSNPEMCCA)。