典型的非监督学习算法，如主分量分析(PCA)、矢量量化(VQ)、独立分量分析(ICA)、因子分析(FA)等，均可以理解为对原始数据矩阵在一定条件限制下进行分解。本文所研究讨论的非负矩阵分解(NMF)算法与上述算法模型类似，是国际上新近提出的一种矩阵分解方法。与其他方法相比，NMF特殊之处在于其对于矩阵分解过程的非负限制，这会得到原始数据基于部分的表示，从而能更好的反映原始数据的局部特征，NMF的这一特性使得其可在诸多领域的应用得到很好的效果。 本文将NMF引入到子空间分类中，提出了基于NMF的子空间分类方法，并从理论与实验上进行全面论证。对于非负数据的模式分类问题，由于NMF子空间的基具有对数据的良好的夹逼性，相对于基于PCA的子空间的基的无任何对数据的夹逼性而言，具有明显优势，从而使得运用NMF的子空间分类方法较基于PCA的子空间分类方法有更好的分类效果。将这种方法运用于模式分类中典型的Iris数据和真实的DNA微阵列数据(Yeast数据和MIT数据)的实验结果表明，基于NMF的子空间分类方法可取的很好的分类性能。