海量数据处理是目前科学研究亟待解决的关键技术问题,如何将高维数据约减为低维数据并且使数据的某种潜在结构变得清晰是研究的热点和难点。非负矩阵分解(Non-negative Matrix Factorization,NMF)是一种非负限制下的矩阵分解方法,能够极大地降低表达数据的维数,分解特性符合人类感知事物的直观体验,分解结果可解释性强,并具有算法简单、易于实现等优点,目前已在维数约减、特征提取和模式识别等多领域获得了广泛应用。本文在对现有NMF方法进行深入分析和研究的基础上,提出了以下两种改进的非负矩阵分解方法。(一)一种改进的加权鉴别非负矩阵分解(Weighted Discriminant Non-negative Matrix Factorization,WDNMF)方法。为克服目标对象中的大面积连续遮挡引起的局部信息缺失从而降低识别准确率的问题,本文首先根据目标对象中的遮挡区域构造出一个权矩阵,并利用该矩阵对广义KL散度(GKLD)进行扩展,形成了加权广义KL散度(Weighted GKLD,WGKLD)目标函数,以弱化甚至忽略遮挡区域对特征提取的影响,着重训练未遮挡区域的数据;同时,为了得到更加局部化的特征,在包含WGKLD以及对系数矩阵施加的鉴别约束项的目标函数中添加对基矩阵施加的稀疏约束正则项;最后使用了简单有效的乘性迭代算法对基矩阵和系数矩阵的迭代规则进行了推导。将本方法应用于人脸识别,实验结果表明,相比同类其它方法,本方法对大面积连续遮挡具有较强鲁棒性,能够更有效、更准确地提取到人脸局部特征信息,分类准确性得到了很好的改善。(二)一种改进的分块鉴别非负矩阵分解(Blocked Discriminant Non-negative Matrix Factorization,BDNMF)方法。为了更加有效地利用数据的类别信息,降低特征提取时不同局部特征之间的干扰,以更准确地提取人脸局部特征,提升方法对遮挡的鲁棒性和适应性,本文首先通过构造样本的类间相异度权矩阵提出了一种优化的类间散度约束项,力图更大限度地利用数据类别信息,并将该约束项引入基本的鉴别非负矩阵分解(Discriminant NMF,DNMF)模型中,且结合图像分块预处理,实现了一种改进的分块鉴别NMF(BDNMF)方法。然后利用BDNMF方法提取人脸若干不重叠子模块的基空间,以达到降低特征提取时不同局部特征之间干扰的目的。最后根据特征融合规则,充分利用了各子模块的信息,并采用最近邻分类器进行了人脸识别。实验结果表明,相比同类其它方法,本方法对大面积连续遮挡具有强鲁棒性,能够进一步提高特征的局部表示特性,分类性能得到显著提升。