在大数据时代,如何从堆积如山的数据中有效地收集和分析数据,发现隐藏在高维数据背后的本质特征将有助于大数据的处理和应用。流形学习可以把高维数据映射到低维空间中,发现高维数据的本质特征,克服了“维数灾难”问题。但多数流形学习方法都采用了非显性的映射,无法直接对训练集之外的数据进行降维,且流形学习的主要目的是为了高维数据的可视化,降维后的数据不太适合用于分类问题。LPP、MMDA等些方法假设高维数据分布在多个子流形上,不同类别的数据分布在不同的子流形上,应用于图像分类时取得了较好的效果。但是这些方法或者忽略了类标签信息,或者特征值问题中的矩阵是奇异的,极大地影响了识别效果。本文针对这些问题进行了研究,提出了一种基于监督多流形学习的分类方法,并将其应用在图像识别中,取得了较好的效果。本文主要工作如下:(1)提出了一种基于监督多流形学习的分类方法。该方法利用类标签信息,通过最大化类间拉普拉斯图来得到投影矩阵,是有监督的线性方法。在路面破损图像数据库和ORL及FERET人脸数据库上对该方法进行了测试,并和其他图像识别方法进行了比较,实验结果表明基于监督多流形学习的分类方法极大地提高了图像识别精度,同时克服了LPP和MMDA中的奇异矩阵问题。(2)研究了选择低维空间维数d的方法。借鉴PCA中确定低维维数的思想,找出特征值累积贡献率和识别精度之间的关系,选取合适的低维维数。在人脸数据库上的实验表明,通过该方法可以为高维数据选择一个合适的低维维数。(3)比较分析了不同相似性度量措施对识别精度的影响。在实验中比较了两种相似性度量措施:欧式距离和夹角余弦距离。实验结果表明,对于不同的数据集,需要采用不同的相似性度量措施。即使都是人脸数据库,对ORL人脸数据库,采用欧式距离会取得更好效果;而对FERET人脸数据库,采用夹角余弦效果会更好。