特征提取是模式识别领域中的一个关键问题，它强烈地影响着分类器的设计及其性能。特征提取的基本任务是如何从众多特征中找出最有效的特征。现有的特征提取方法主要有基于统计的特征提取(主分量分析(PCA)和Fisher线性判别分析(FLDA)是两种最常用的方法)、基于知识的特征提取及基于神经网络的特征提取等。在本文中，我们在PCA和FLDA方法的基础上提出了两类特征提取新方法，即基于矩阵模式和基于子向量的特征提取方法，并随后用于模式的分类。 现普遍使用的PCA、FLDA方法，是针对向量模式进行的特征提取和降维方法，亦即，所有的模式都要进行向量化的操作，因此对于矩阵表示的模式(如图像)就必须首先将其转换成向量。这种方法存在着两个主要的缺点：1)矩阵模式中对分类有用的结构信息很可能会因为向量化的操作而遭到破坏；2)向量化的操作极大的增加了特征提取及随后识别的运算复杂度。我们提出的基于矩阵表示模式的特征提取方法(MatPCA和MatFLDA)，不仅能直接处理向量表示的模式更能处理矩阵表示的模式，因此避免了上述问题。另外对于向量表示的模式，我们通过矩阵化重组将其转化成矩阵表示的形式，然后使用MatPCA和MatFLDA方法进行特征提取。 前面提到的MatPCA和MatFLDA是将向量表示的模式转换成矩阵表示的模式后再分别进行PCA和FLDA的方法，它具有先组合后提取的过程。而作为相反方向，我们考虑能否将向量表示的模式分成若干个子向量再进行PCA和FLDA呢。在本文的后一部分，我们就对此进行了研究，提出了具有先分解后提取过程的基于向量子模式特征提取的方法(SpPCA和SpFLDA)。它首先将模式数据适当的分成若干个独立的子模式，然后分别对其子模式集使用PCA和FLDA方法进行特征的提取，最后将所有获得的子特征作为模式的最后特征并用于分类。 本文所提出的方法均在标准数据集中进行了模拟实验，实验结果证实了文中所提方法的有效性和可行性。