视频分析是计算机视觉与模式识别中的研究热点之一。然而视频数据往往具有较高的维数。高维数据不但难以被人们直观理解,处理时还会导致过高的计算复杂度。所以,研究视频数据的低维表达就成为一项必要的工作。经典的线性降维方法,譬如PCA等,能够有效地对数据进行压缩,然而视频数据具有高度的非线性特征,所以经典的线性降维方法不适用。为此,我们需要寻求有效的非线性降维方法来处理。经过研究发现,非线性的流形学习技术能很好地保持数据的非线性性质。Isomap算法是主流流形学习算法之一,建立在多维尺度变换(MDS)的基础上,力求保持数据点的内在几何性质,即保持两点间的测地线距离,真实地再现高维数据的内在非线性几何结构。当原始数据并不位于同一个流形上,或者流形上存在缝隙或空洞时,Isomap可能会将不同的流形作为局部邻域图中的连接分量,计算流形上样本点间的最短路径时会产生较大的偏差,从而导致嵌入结果产生较为明显的变形。本文研究了半监督的流形学习算法在视频分析中解决多流形问题上的应用。首先学习和分析了一种可解决多流形问题的节点加权MDS算法,借鉴该算法的主要思想,引入半监督学习的方法,即已知一部分数据的子流形归属标签,提出了基于结点加权的半监督Isomap算法。该算法对输入数据进行聚类处理,使所举得的每一个类中的数据点都来自于一个单独的,简单的低维流形,并且将半监督的思想引入其中,对权值矩阵W进行一部分标记,然后将优化的权值矩阵带入算法,得到了更佳的降维结果。将该算法应用于视频分析领域的人体运动分类识别中,实验证明,对于反应人体不同运动方式的视频数据,基于节点加权的半监督Isomap算法能更好地发现其在低维的本征分布,具有更好的分类识别能力。