随着计算机视觉和机器学习方法的快速发展,图像识别相关技术也日渐复杂和多样化。然而,现实中采集的图像往往会存在噪声干扰、图像破损等问题,导致图像特征提取的难度增大。本文就图像中存在噪声干扰、白块破坏以及条纹破坏的现象,深入研究了低质量图像（噪声图像和破损图像）的特征提取算法。主要研究工作如下:由于设备温度或传输介质等因素可能会造成图像存在多余的干扰信息,导致图像模糊,较难获取有用信息。针对这一问题,本文提出了一种图优化判别投影的图像特征提取算法。首先,为了克服线性判别分析的维数限制和鲁棒性差的缺点,本算法引入L2,1范数用作度量准则,用于重新定义线性判别分析的类间和类内散度矩阵。同时,为了消除边缘类样本的不良影响,本算法加权平滑类间散度矩阵;然后,为了构建更加精确的邻域图,本算法利用先验知识来描述样本之间的近邻关系;最后,在多个公共图像数据集上的实验结果表明,与对比算法相比,本算法的分类准确率更高,效果更好。针对由于设备故障或人为损坏等因素可能会造成图像重要信息的丢失,使图像难以辨别的问题,本文提出了一种图正则重构的动态低秩保持投影的图像特征提取算法。首先,为了解决特征提取维数限制问题,本算法将投影矩阵分解,从而得到了灵活的特征维度。同时,为了降低求解核范数的计算负担问题,本算法利用矩阵快速三分解理论,将低秩矩阵进行分解;然后,为了解决预定义字典可能不具备代表性的问题,本算法提出了基于学习的字典的方法;其次,为了保持局部结构和减小计算复杂度,本算法对数据重建错误施加图约束。在多个公共图像数据集上的实验结果表明,提出算法比对比算法具有更好的分类效果,与对比算法中的同类算法相比,提出算法具有更低的时耗。