伴随着大数据时代的来临,数据获取的方式和途径较以往更加便捷,大量的高维数据出现在各个应用领域,如人脸识别等。然而,这些高维数据会大大增加计算量,同时其冗余特征也会影响数据分析的结果,很多应用场合必须进行降维。因此,高效的数据降维方法在实际应用中具有重要意义。近年来,图模型被广泛地用于数据降维研究工作中,图嵌入方法作为其重要的技术手段引起了很大的关注。以图判别嵌入为代表的传统图嵌入方法使用k近邻去选择最近的k个近邻样本,建立最小化类内散度同时最大化类间散度的鉴别准则函数,以计算最佳投影矩阵,实现数据降维。然而,在高维数据中,通过手动选择k个近邻样本的方法是困难且不稳定的,因而自动构图方法就很有必要。同时,最近提出的协同表示投影思想将全部的样本用来计算边缘权重实现自动化构图,取得了较优的数据降维效果。本文对图嵌入数据降维方法进行了深入的研究,面向人脸识别问题,提出了两种图嵌入鉴别分析方法。在ORL、AR、FERET和YaleB等公开人脸数据集上的实验结果证明了所提方法的可行性与高效性。本文的主要工作如下:（1）综述了图嵌入框架和协同表示的基本概念,总结了以图判别嵌入为代表和以协同表示投影为代表的图嵌入鉴别分析方法,并分析了它们的优缺点。（2）提出一种图嵌入鉴别分析及其半监督拓展方法。一方面,根据同类样本的均值及其类别信息构造类内图以描述同类样本的紧致性,同时依据样本的近邻关系构建惩罚图以刻画不同类样本的可分离性;另一方面,将其与低秩表示模型和核函数相结合,实现半监督拓展及核化拓展。（3）提出一种基于协同表示的图嵌入鉴别分析方法。一方面,根据竞争和协同表示的方法计算样本间的相似性,从而计算最佳投影矩阵;另一方面,引入标签传播算法与核化图嵌入框架理论,得到基于协同表示的核化图嵌入鉴别分析方法及其半监督拓展。