二维主成分分析(2DPCA)与二维线性判别分析(2DLDA)是两种经典的基于矩阵的特征提取算法,广泛地应用于图像识别等领域。但是,这两种算法均使用F范数的平方作为距离度量标准,提取到的特征受噪声或离群点的影响大,算法鲁棒性较差。此外,2DLDA假设数据服从全局高斯分布,仅考虑数据的全局结构信息,在实际应用中存在较大的局限性。针对这些问题,本文分别对2DPCA与2DLDA进行深入研究,从不同的角度对算法进行改进。本文主要内容如下:1、针对2DPCA算法对噪声或离群点过于敏感的问题,本文使用F范数代替F范数平方作为距离度量标准,充分考虑协方差与重构误差之间的关系,提出角度二维主成分分析,即Angle-2DPCA。当图像数据中含有光照强度、拍摄角度、姿态表情及噪声遮挡等异常情况时,该算法可以得到更加准确的投影矩阵和低维特征。此外,Angle-2DPCA保留了旋转不变性,可以更好地保持数据的几何结构。在Extended Yale B、AR、CMU PIE三个常用人脸数据库上的实验表明,Angle-2DPCA能够快速收敛,可以获取更加鲁棒的低维特征且效率较高。2、针对2DLDA算法没有考虑数据局部结构信息的问题,本文提出二维局部自适应判别分析算法,即2DLADA。该算法可以自适应学习权值矩阵,让真正相似的样本经线性变换后距离较近。另外,出于算法鲁棒性的考虑,本文使用F范数作为距离度量标准,提出基于F范数的二维局部自适应判别分析算法,即2DLADA-F。相比于2DLADA,2DLADA-F算法具有更好的鲁棒性,能够提取到更为准确的低维特征。在人造数据集、人脸数据库(Extended Yale B、AR、CMU PIE)以及非人脸数据库(USPS、COIL20)上的实验表明,2DLADA与2DLADA-F两种算法均具有较好的性能且可以快速收敛。