近几十年来,科学技术的发展超出了我们的想象,在模式识别领域中,同样是百家争鸣。在众多科研人员的努力下,特征提取算法得到了快速的发展。基于边界结构的特征提取算法可以很好地挖掘出数据中隐藏的具有鉴别性的鉴别信息,因此引起了科研人员的广泛的关注。本文探论了边界几何结构,设计了两种全新的边界形式,同时基于两类边界提出了两种全新的特征提取算法。另外,在本文也着重的讨论了数据的离群点问题,并给出了相应的处理方法。总的来说,本文主要进行以下工作:（1）提出了原型边界距离最大化准则（Prototype Margin Distance Maximizing Criterion,PMDMC）。在该算法中,我们设计了一种新的类间边界形式。具体地说,PMDMC对于每一类样本,首先找到它的异类最近的边界样本来构建类间边界片区。而仅仅其中一类的边界片区无法很好的描述类间边界。因此,对于类间边界片区,我们重新回到原类中寻找其对应的类内边界片区。利用类间边界片区和类内边界片区,我们设计了一种新的类间边界。最后,使用Fisher-like准则来寻找最优的特征子空间。在该特征子空间中,通过最大化类间与类内的边界片区之间的距离,同时最小化原型（类中心）与其对应的类内边界片区之间的距离,以达到最大化异类之间边界距离的目的。所获得边界将会更具鉴别性。更重要的是,在这种边界的设计下,通常位于边界的离群点会被归类到两种片区中,因此会被尽可能的拉近到各自的同类域中,从而对离群点具有优越的鲁棒性。通过在ORL、Yale和AR人脸数据库上进行的对比实验,我们证明了所提出的PMDMC算法的有效性。（2）提出了环形边界距离最大化准则（Annular Margin Distance Maximizing Criterion,AMDMC）。在该算法中,提出了质心准则的近邻搜索方案,质心准则可以尽可能地保证所找到的质心近邻样本群呈现环绕分布在被查询样本周围的特征。紧接着AMDMC将利用质心近邻样本群设计新的边界形式。通过所找到的质心近邻样本群,我们可以构建环形边界片区。随后AMDMC将环形边界片区中与被查询样本同类的样本归类为类内环形边界片区,与被查询样本不同类的样本归类为类间环形边界片区。最后,我们使用Fisher-like准则来寻找最优的特征子空间。在本算法所得的子空间中,通过最大化被查询样本与类间环形边界片区中的质心近邻的距离,同时最小化被查询样本与类内环形边界片区中的质心近邻之间的距离,以达到异类边界距离最大化,同时同类尽可能聚集的目的。所得的边界具有优秀的同类聚集性。另外,AMDMC因为质心准则在寻找近邻的时候,充分考虑到了环绕分布在被查询样本周围的近邻,可以很好的避免传统方法使用最近邻方法（KNN）对离群点敏感的缺点。最后,将通过ORL、Yale和AR人脸数据库上进行的对比实验,证明了我们所提出的AMDMC算法的有效性。