现实世界的数据往往具有较高维度,直接应用传统数据挖掘技术将面临“维灾”问题。因此,研究有效的降维算法,寻求在低维上进行数据分析,成为数据挖掘研究热点。但是,许多传统降维算法只针对线性分布数据,无法满足现实中大量非线性分布数据的分析需求。而流形学习算法作为一种非线性降维工具,在非线性数据可视化及分类性能上有较大优势,在许多领域得到了广泛的应用。然而,流形学习算法仍存在一些不足,尤其是对噪音的敏感性,成为影响流形学习算法更广泛应用的瓶颈。因此,研究健壮流形学习算法成为迫切需求。本文首先总结了许多现有的优秀流形学习算法,详细分析了算法存在的缺陷,然后分别基于去除及抑制噪音的思想,提出基于局部相关维度的噪音流形学习算法、基于核函数与监督学习的流形学习算法、基于共享近邻的非线性降维算法三种算法。分别从除噪、监督学习、无监督学习三个方面入手,研究能适应不同应用场景的健壮流形学习算法。在人工数据与UCI数据上的实验表明,我们提出的方案较原始算法在精确率上有较大提高,是有效的非线性降维工具。最后,我们将算法应用在白血病细胞的光谱数据分类上,辅助临床研究：同时,还进行医院绩效考核领域方面的应用研究。实验结果表明,我们的算法在现实中可以成功应用,具有可行性和借鉴意义。