本文主要研究空间转录组数据的降维问题。空间转录组技术可以在测量基因表达的同时保留了细胞在组织上的空间位置信息,弥补了单细胞转录组技术因细胞解离而导致的细胞位置信息丢失。与单细胞数据类似,空间转录组数据同样具有高维、复杂、高噪声和高稀疏性等特点,在下游分析之前有必要对空间转录组数据进行降维。但由于空间转录组数据中邻近位点的表达存在高度相关性,许多经典的降维方法（如主成分分析等）无法有效利用。因此,我们迫切需要一种快速、高效的,适用于空间转录组数据的降维方法。利用位点的空间邻域网络和局部保留投影算法,本文提出了一种针对空间转录组数据的降维算法Spatial LPP,该方法通过提取空转基因表达信息,保留了组织位置之间的空间相关性,提升了空间域检测等下游分析问题的准确性。本文首先,介绍了空间转录组实例数据集的具体信息;其次,介绍数据预处理的步骤,包括质量控制、数据归一化、对数化、空间高变基因（SVG）筛选等;再次,分别对预处理后的数据进行三种类型的降维操作,包括主成分分析（PCA）、非负矩阵分解（NMF）和Spatial LPP三种算法,对于三种降维方法得到的数据做Kmeans聚类,并比较专门为空间转录组数据聚类开发的算法Bayes Space与Spa GCN,这三种算法的空间域检测性能差异以及下游分析能力。对于降维算法,我们还测试了不同维度对模型性能的影响。结果显示,Spatial LPP在常用的三个数据集（人类脑背外侧前额叶皮质数据、由10X Visium生成的鼠脑数据、从STARmap获取的小鼠内侧前额叶皮质数据）上的降维性能优于其它四种算法。最终结果表明,Spatial LPP降维算法可以充分利用空间转录组数据中组织的空间位置信息,提高包括空间域检测在内的有效下游分析性能,有望应用于不同技术平台下获取得的空间转录组数据。