在这个信息爆炸的时代,处理与分析大规模的高维数据已经成为数据挖掘与机器学习领域的重大挑战之一。为了获取以及直观理解隐藏在大数据下的潜在信息,一种有效的数据可视化技术是不可或缺的。数据可视化技术能够将复杂的高维数据信息展示在低维的图表上。根据低维的数据图表,我们能够对原始数据的结构信息有一个直观地理解,而且有助于后续的数据探索与模式识别。在一些传统的数据可视化算法的基础上,本文做了如下工作:(1)提出了基于ANNOY的快速近邻搜索算法。该算法在随机投影树的基础上通过近邻拓展的方法进行近邻点的搜索,在保证近邻搜索准确率的基础上大大提升了近邻搜索的速度。(2)提出了基于近邻关系与类别信息的概率重构算法。该算法首先通过近邻拓展的方法构建近邻关系图,然后基于近邻关系与类别信息对原始数据样本之间的相似性进行概率重构。该算法可以更为准确的描述高维数据样本之间的相似关系。(3)提出了基于P-BGLL的可视化算法。该算法在BGLL算法的基础上,使用概率作为空间中样本之间的连接权值,从而提出了P-BGLL算法,并基于P-BGLL算法进行可视化操作。相比于传统的数据可视化算法,基于P-BGLL的数据可视化算法能够更好的保留高维数据的全局结构与局部结构,取得良好的可视化效果。(4)提出了基于Feature-Net的可视化算法。该算法首先利用Feature-Net网络模型对数据特征进行提取,以便过滤掉噪声与冗余信息,然后利用获取的类别信息与近邻关系对概率进行重构。该算法对于原始样本间的相似性描述更为准确,其在可视化上的表现更加优秀。