信息化技术的快速发展为教育技术研究提供了重要的技术支持,而这些技术的研究也推动了教育技术的提升与发展。基于这样的研究思路,我们对信息技术中与认知科学相关的最新重要热点——基于流形学习的降维技术进行研究,并在人脸识别中进行了应用。信息化技术面临的一个技术难点就是高维数据。当前,提取数据的高维特性是一个重要的研究热点。高维数据的非结构化信息使得提取的样本数据内在规律超出人们的直接感知能力,因此研究学者提出众多数据降维算法,其中基于流形学习的降维技术是备受关注的数据降维手段之一。流形学习提出于二十世纪末期,被人脸识别、数据可视化、图形检索等领域认同,其非线性本质、几何直观性和计算可行性在实际数据集上都取得了令人满意的结果。但在泛化学习、监督学习和大规模流形学习等一些普遍性的问题中流形学习仍然有着很大的研究空间。本文结合流形学习方法的研究现状和高维数据的结构特性,从算法的改进和应用(图像数据与人脸识别技术相互作用数据)等方面展开了一系列研究工作,主要工作及研究内容总结如下:(1)结合现有的数据降维方法,对广泛被应用的典型流形学习算法从局部保持流形学习和全局保持流形学习两类算法进行研究。对算法的实现过程、算法时间复杂度和几何特性进行分析总结。(2)在深入研究局部保持投影算法(LPP)的基础上,引入明确的线性映射关系,构造吸引向量矩阵,提出一种改进的局部保持投影算法(RLPP)。有效地从高维数据中提取出低维的人脸图像信息并提高人脸图像的识别率和识别速度。该算法有效的解决了原始LPP算法存在的如下问题:无监督学习方法在人脸姿态发生变化时影响信息特征的提取效率,不能合理利用已知数据的类别信息进行实验研究。当测量样本进行方位变化、面部旋转缩放以及首饰佩戴等特征更改时,本算法的改进可以使实验数据结果不受上述条件变化的影响。实验证明,改进后算法的识别率优于LPP、局部保持平均邻域边际最大化(LPANMM)和鲁棒线性降维(RAF-GE)三种算法,能够取得比现有改进的流形算法更高的精度,具有较强的泛化能力和较高的识别率,不受样本规模影响。