1、模式識別是近年來的熱點問題之一。模式識別一般分為五個步驟：數(shù)據(jù)的獲取，預處理，特征提取，特征選擇以及分類器分類。特征提取和特征選擇是分類問題的兩個關鍵步驟，主要用于快速準確的分類。良好的特征提取方法所提取出的特征對后續(xù)的特征選擇以及分類器的分類及模式識別起到很重要的作用。現(xiàn)有的特征提取方法有很多，但是特征提取過程與后續(xù)的特征選擇過程往往是互相獨立的，他們各自有各自的優(yōu)化準則，然而兩者優(yōu)化準則的交集卻未必準確。
　　本文通過對現(xiàn)有的

2、特征提取算法的研究學習，針對如何找到一種特征提取與特征選擇進行聯(lián)合學習的方法進行了研究，對現(xiàn)有的特征提取算法進行了改進。主要貢獻包括：
　　研究了一種非監(jiān)督的聯(lián)合稀疏鄰域保持嵌入方法（Joint Sparse Neighborhood Preserving Embedding, JSNPE），該方法的研究目的是希望降維后的數(shù)據(jù)既能夠保持原始數(shù)據(jù)鄰域的流形結構的信息，又能夠使轉換矩陣具有列稀疏性，以此來減少樣本識別時的計算量，同時希

3、望可以降低數(shù)據(jù)的維度，以達到較好的特征提取結果，為后續(xù)的分類器設計奠定良好的基礎。
　　本文還進一步研究了該聯(lián)合學習算法的一種監(jiān)督學習模型，稱為聯(lián)合判別稀疏鄰域保持嵌入方法（Joint Discriminate Sparse Neighborhood Preserving Embedding，JDSNPE）。通過對JSNPE中加入判別信息，能夠有效的利用樣本的類別的信息，即希望類間散度與類內(nèi)散度的差值最大化，以達到同類聚集，異類分