随着信息技术的进步与发展,人们不可避免的要面对各式各样的高维数据,如何处理这些数据对模式识别以及数据挖掘的研究人员来说是一个重大的挑战。处理高维数据时传统的线性降维算法适用性非常低甚至失效,这引起了国内外研究学者的关注。流形学习开始走进人们的视野,自其被提出后引起了学术界的热烈反响。其独创性的降维思想,成为了研究的热点。基于流形学习算法的研究成果不断地在各领域应用与发展。本文从提升特征提取算法的性能出发,在分析流形学习算法的基本原理和特点的基础上,针对流形学习算法中存在的一些不足展开了深入研究,本文研究所做工作如下:1.为了更好地满足局部线性的假设,本文分析局部线性嵌入算法的特点,提出一种基于局部切空间映射理论的局部线性嵌入算法,本算法是在K近邻确定后,把邻域上的点映射到该点的切空间,在切空间上对该点进行线性重构。通过在各种数据集上的运行验证局部线性嵌入算法性能的提升。2.经典的等距离映射算法需要通过反复试验来确定最佳K值,但是等距离映射算法复杂度较高,多次实验会使得该算法在实际应用中的效率降低。本文提出一种基于主成分分析的自适应邻域选择的等距离映射算法,结合主成分分析法对样本中每个点都进行最佳的领域选择后再进行等距映射,从而方便算法的使用。