随着人工智能的迅速发展,计算机视觉中的图像识别问题已成为研究热点,而基于子空间学习的方法在图像识别领域占据重要地位。基于子空间的学习算法是一种经典的降维方法,这类算法通过学习到的投影函数将特征从高维空间映射到低维子空间。虽然现有的基于子空间的学习算法在图像识别领域已取得了较好的效果,但在某些情况下还有进一步提升的空间。例如,当数据集中存在易混淆的样本和样本集中混有噪声时,算法性能会受到一定的影响。因此,需要探索和研究更为有效的降维算法。本文针对上述问题,提出两种基于流形学习的子空间降维算法,即柯西估计判别分析判别算法(Cauchy Estimator Discriminant Analysis,CEDA)和柯西估计判别学习算法(Cauchy Estimator Discriminant Learning,CEDL),分别用来解决数据集中存在易混淆的样本的问题和数据集被噪声污染的问题。本文的主要工作包括:(1)介绍子空间学习的背景,阐述子空间的发展进程与现状,并分析普遍使用的评价函数的优点与不足,提出更有效的评价函数处理特定的问题。(2)对样本集混有易混淆样本的情况,利用块配准框架(Patch Alignment Framework,PAF)找到样本的本质维度,同时利用柯西估计理论对易混淆样本进行准确的建模。(3)对样本集中混有噪声的情况,直接在PAF下应用柯西估计理论对样本局部和全局进行配准,并利用正则化方法避免过拟合。(4)将算法整合到目前认可的流形学习框架下,便于对算法的理解和升级。(5)分别将CEDA和CEDL算法应用于人脸识别和场景识别实验中说明算法的高效性和鲁棒性。最后,论文针对研究目标和新的算法进行了分析和总结,并结合算法和数据集的不足规划后期的改进方向。