由于高维数据呈现膨胀趋势,迫切需要进行有效的数据降维处理。高维数据大多数是非线性的,传统的线性算法很难分析高维数据的结构特征及相关性。而非线性算法,尤其是其中的局部线性嵌入(LLE),因其算法计算复杂度低,配置参数少,鲁棒性好,得到了广泛应用。本文重点针对非监督型和监督型LLE算法展开深入研究,并对已有算法进行了相应的改进,具体工作分为下面三部分：1、深入研究了基于马氏距离的LLE算法、基于最佳近邻参数的LLE算法。仿真分析表明,基于马氏距离的LLE算法考虑了样本间的相关性,比基于欧式距离的LLE算法有较好的识别性能；基于最佳近邻参数的LLE采用双重评价标准判定样本点最佳近邻参数,比基于欧式距离的LLE算法具有更好的降维效果。2、针对非监督型LLE算法对样本分类性能不佳的问题,本文进一步研究了监督型局部线性嵌入(SLLE)及其优化算法,研究了基于马氏距离距离和最佳近邻参数的SLLE,提高了降维效果和识别性能,并降低了计算复杂度,具体包括基于马氏距离的SLLE和基于最佳近邻参数的SLLE算法。3、针对稀疏样本数据邻域值较为敏感的问题,本文提出了一种基于指数距离的监督型局部线性嵌入算法(D-SLLE),该方法能够扩大近邻参数k的取值范围,具有较高鲁棒性。对多组经典人脸库和自行采集图像进行实验,结果表明D-SLLE在泛化能力上有了很大的提升,并且在降维效果和识别率上也有提高。