近年来,机器视觉已成为人工智能快速发展的一个重要分支。一般地,机器视觉就是用机器代替人眼来做测量和判断,通过图像摄取装置将被摄取目标转换成图像,传送给专用的图像处理系统。根据得到被摄目标的形态信息,对这些图像进行各种运算来抽取目标的特征,进而鉴别性目标的状态、类别等信息。为此,图像特征提取成为机器视觉图像处理技术研究的核心内容之一。随着机器视觉理论的不断完善,越来越多的图像特征提取方法从不同角度入手在尽量保留图像原有信息的前提下得到更具有鉴别性的图像特征。其中,维数约简的图像特征提取方法因其数学理论的完备性和实现的便捷性,成为图像特征提取方法最热门的方向之一。维数约简的图像特征提取方法能够将高维的图像映射到更低维的空间,并且得到图像鉴别性特征。特别地,非负约束维数约简得到的特征能够描述纯加性和稀疏性的图像特征,更能解释图像的整体和局部的关系,符合直观的图像理解。因此,基于非负矩阵分解（Non-negative Matrix Factorization,NMF）的图像非负特征提取方法在图像处理各应用中发挥了重要的作用。然而,现存的多种约束条件下图像非负特征提取方法仍存在一些问题。为此,本文围绕图像数据的特点,对多约束条件下机器视觉图像非负特征提取方法进行研究。图像非负特征提取方法需要考虑多种图像数据的情况,主要表现为:无标签数据的图像非负特征提取、带标签但非线性相关的图像非负特征提取和带标签数据较少的图像非负特征提取。针对这些情况,本文引入多个约束条件,分别解决这些情况下图像非负特征提取方法遇到的问题,并在大规模图像数据集上进行方法验证。本文的主要研究内容与成果可归纳如下:（1）针对无标签的图像数据,提出了一种拓扑非负矩阵分解的图像非负特征提取方法。现存的基于NMF的图像非负特征提取方法在使用过程中将秩设置为图像集类别数目,然后使用聚类算法验证特征描述的能力。这种方式破坏了图像之间的局部几何关系。为此,拓扑非负矩阵分解模型引入秩的松弛和图像特征图结构的两个约束条件,将图像特征提取和聚类两个任务融合在同一个优化目标函数,得到能表述图像拓扑关系的非负特征。通过在ORL、UMIST、MNIST、COIL20和COIL100数据集上与其它NMF方法的对比实验,本方法取得最好的ACC和NMI结果,在所用的实验数据集进行图像聚类的ACC和NMI指标结果分别比对比方法的最优结果提高了1%-4%和1%-5%;（2）针对带标签的非线性相关的图像数据,提出了一种类标嵌入核非负矩阵分解的图像非负特征提取方法。对于带标签的图像,现存的NMF方法采用Fisher或最大间隔准则,利用图像样本均值约束特征提取模型,这种方式对图像样本分布依赖性较强。类标嵌入核非负矩阵分解模型在传统的NMF目标函数中引入类标矩阵和核函数映射的两个约束条件,不假设图像样本分布,能利用图像之间的非线性关系直接获得鉴别性的图像非负特征。通过在ORL、YALE、MNIST和COIL20数据集上与其它常见的鉴别NMF方法进行对比,本方法取得最好的识别率,比最优的对比方法提高了 2%+,特别对于MNIST数据集中复杂模式的图像分布情况,表现出明显的优势,正确识别率比最优的对比方法提高了 5%;（3）针对少量带标签和大量无标签的图像数据,提出了一种线性回归与半监督非负矩阵分解结合的图像非负特征提取方法。常见半监督NMF方法在矩阵分解的过程中引入原始图像之间的图结构进行特征提取,易受噪声干扰。此外,这种特征提取方法只能获得参与训练图像的非负特征,不能得到新的图像非负特征。本方法在进行矩阵分解的过程中引入三个约束条件,分别是类标传播、自组织图结构和对非负的图像特征进行线性回归约束。通过这些约束,本方法能够得到训练图像的非负特征、类别属性、新图像特征提取的投影矩阵及类别预测的参数。通过在 MNIST、USPS、ORL、YALE、UMIST、COIL20、COIL100 和 DTD 数据集与常见的方法进行对比实验,本方法在实验数据集上取得最好的ACC和NMI指标结果。同时对无标签图像和测试图像的正确识别率比最优的对比方法分别提高了 2%-11%、1%-3%;上述工作主要围绕机器视觉中静态图像进行非负特征提取,为此,本文针对机器视觉动态图像的非负特征提取方法做了进一步研究,提出了一种局部子空间学习的动态图像非负特征提取方法。针对动态图像,常见的方法对每个图像集进行模型假设,且参数估计不准确。本方法通过学习一个非负稀疏的映射,引入该局部集内的类间距和类内距的约束条件,得到动态图像序列的非负特征,降低了计算的复杂度。通过在 Honda、YouTube Celebrities、CMU Mobo和ETH-80数据集与其它方法进行对比实验,本方法在不同的图像序列数目情况下均取得最高的正确识别率,比最优的对比方法提高1%+,且所用时间较少。