为了避免图像向量化引起的维度诅咒问题，并且学习不同张量样本之间的相关性，我们提出了一种基于典型相关分析(CCA)的张量判别方法(MDCC)。我们在Weizmann行为数据库上进行实验，与现有的基于CCA的行为识别方法作比较，取得了较高的识别率，并且对于残破图像具有较强的鲁棒性。接下来，我们引入递增学习的思想，通过递增加入训练样本来更新判别投影矩阵。我们同样在Weizmann行为数据库上进行了实验，算法具有较高的识别率以及较强的鲁棒性。并且具有较低的时间复杂度。最后，算法通过迭代学习达到了聚合。人体行为可以在不同的尺度空间中表示，描述动作在不同尺度上的角色和意义。我们提出了一种基于多尺度特征的张量判别分析方法(MSF-TDA)来构建行为模型。将所有的行为样本组织成一个大的张量，其中每个维度空间都代表了不同的语义信息，比如不同视角，以及不同的行为执行者。我们在理想数据库和KTH行为数据库中进行了实验，取得了较高的识别率。MSF-TDA对于不同的视角具有较强的鲁棒性，并且降低了时间复杂度。提出一种基于张量的多判别融合算法(FTDA)，首先应用线性判别分析(LDA)提取图像的特征，然后应用判别典型相关分析(DCC)得到张量之间的最大相关度。在三个通用数据库中，即KTH行为数据库，C-PASCAL数据库以及AR人脸数据库中，FTDA有较高的识别率，时间复杂度较低。FTDA可以很好地处理破损图像以及遮挡图像，另外，FTDA在迭代过程中聚合。并且由于判别函数值不受转换矩阵初值影响，所以判别函数是凸函数。