迄今为止,降维在数据挖掘、模式识别和图像处理领域依然是一个研究热点。流形学习作为非线性降维的主要代表方法,在处理非线性数据集时表现良好,但是仍然包含一些缺陷。例如大多数的流形学习算法在特征提取时,判别特征之间的相关性大,冗余度高,算法学习性能不足,不利于后续的识别。为了解决这个问题,本文提出了两种基于不相关约束的多流形学习算法,都可以有效降低特征冗余。本文的主要工作包括以下两个方面:(1)提出了一种基于全局不相关的多流形学习算法。为提高算法的学习能力,引入特征空间到特征空间距离度量。首先计算所有数据点在异类最近邻特征空间内的投影,同时为了降低判别信息的冗余度,提出全局不相关约束准则,最后在全局不相关约束下最大化异类特征空间距离获取最优投影矩阵。(2)提出了基于局部不相关的子空间学习算法。为了挖掘样本点的局部判别信息,提出了基于点到特征空间距离的局部不相关约束准则。首先针对每一个样本点,确定其类内最近邻特征空间和类间最近邻特征空间的投影,得到点到特征空间距离矩阵,利用点到特征空间距离矩阵构建局部类内散度和局部类间散度。同时推导出基于点到特征空间距离矩阵的局部边缘准则和局部不相关约束,通过最大化在局部不相关约束下的局部边缘来探索一个局部不相关判别子空间。在几个标准的人脸数据集的实验结果表明,本文提出的基于不相关约束的多流形学习算法应用于人脸识别中优于其他一些先进算法。并且可以降低特征冗余,提高判别特征的判别能力。