典型相关分析是一种主流的特征学习方法,广泛应用于模式识别、姿态分析等领域。然而,典型相关分析只能从总体上约束视图间的相关性,却难以发现隐藏在原始样本空间中的非线性局部子流形结构和全局欧几里得结构。此外,典型相关分析是一种无监督特征学习方法,无法有效利用样本的类标签信息,从而难以获得强鉴别力的相关特征。针对上述情况,本文以图像数据为研究对象,通过嵌入原始样本空间中的弹性结构和少量类标签信息,形成两种面向图像识别的相关特征学习方法。本文主要的创新性研究成果如下:(1)局部保持典型相关分析解决了典型相关分析难以发现隐藏在原始样本空间中的非线性局部子流形结构的问题,进一步保留了局部几何结构。但是,局部保持典型相关分析方法却没有考虑到原始样本空间中样本之间的全局欧几里得结构,因此难以获取样本空间中的总体分布。为了解决该问题,本文提出了一种弹性典型相关分析方法,该方法在保持原始样本空间中局部几何关系的同时,进一步约束了样本间的全局欧式距离,从而在学习的相关特征中尽量保留了局部和全局组成的弹性结构,使相关特征更具类分离性。为了验证该方法的图像识别性能,本文在真实的图像数据集上设计了针对性实验,良好的实验结果表明该方法是一种有效的图像识别方法。(2)类标签是一种有效的监督信息,能够增强特征的鉴别力,然而在实际应用中样本的类标签难以全部标记,如何在特征学习中利用少量类标签信息有效改善特征的鉴别力仍是一种具有挑战性的问题。针对该问题,本文在弹性典型相关分析的基础上,提出了能够利用少量类标签的半监督弹性鉴别分析方法,该方法在具有类标签的样本中保留了同类样本的局部关系,获得更加紧密的类内局部聚集性,且能够利用类内全局信息来发现原始样本空间中的欧几里得鉴别关系,从而使学习的相关特征具有更好的弹性鉴别结构。在图像识别的实验中,弹性结构能够有效的保留原始图像中的几何信息和鉴别信息,进一步获取更具鉴别力的相关特征。在手写体数字、目标和人脸三类真实的图像数据集上设计了大量的实验,良好的实验结果显示该方法具有较强的图像识别性能。图[15]表[5]参[44]