典型相关分析(CCA)是研究两组变量之间相关关系的多元统计分析方法,在图像处理、回归建模、模式识别等领域有广泛的应用背景。CCA作为一种无监督的学习方法,通过提取典型相关成分可以达到降维的目的,并可通过典型成分进行模式识别。然而,用于训练的样本总是有限的,由有限样本得到训练模型与真实的模型总是存在一定的偏差。本文把Fukunaga-Koontz变换(FK变换,FKT)引入到CCA中,提出了新的特征提取方法CCA/FKT。通过给样本的整体散布矩阵或类内散布矩阵的特征向量加权,达到改变样本分布的目的,使得变换后的样本更趋于无限样本的分布情况。其中所加的权值为特征向量对应的特征值的平方根的倒数。在两个手写体数据库上的实验表明CCA/FKT方法的有效性。由于有限样本引起的小特征值求解的不稳定性,本文在CCA/FKT的基础上引入了正则化技术,使得小特征值的求解稳定。为了改善所提出的基于正则化的CCA/FKT方法的性能,本文又设计了一种求解正则化参数的方法。在两个手写体数据库上的实验表明该方法的可行性。