典型相关分析(CCA)作为经典的多元数据分析方法,通过研究两组变量之间的相关关系来进行特征提取。近年来已开始在模式识别中得到应用,但在人脸识别为代表的高维小样本问题的应用上,该方法存在如下不足:(1)人脸识别的小样本特性使CCA两组特征矢量构成的总体协方差矩阵奇异,难以直接应用;(2)作为一种全局线性投影(或特征提取)方法,不足以很好地描述非线性的人脸识别问题;(3)缺乏对局部变化的识别鲁棒性。如今,随着模式识别中子模式方法、多模态识别技术等多种新方法的兴起为我们解决CCA面临的这些问题提供了新的思想与方法。受我们已提出的子模式主分量分析(SpPCA)的启发,本文提出了子模式典型相关分析(SpCCA)。该方法将局部与全局特征矢量之间的相关性特征作为有效的判别信息,既达到了融合局部与全局信息的目的,又消除了特征之间的信息冗余。通过子模式的划分,SpCCA避免了小样本问题(SSS),更好地描述了非线性的人脸识别问题;并通过投票方式融合结果,增强了对局部变化的鲁棒性。目前人脸识别通常只能获得单模的数据,在使用多模的CCA方法时通常是先从单模数据构建多模数据,然后CCA。而CCA在处理用硬标号构建的多模数据时本质上与线性判别分析(LDA)相似。LDA是一种针对判别信息优化的单模方法,通常具有优秀的分类性能。因此,我们尝试在子模式方法中用LDA取代CCA的位置,构造了子模式线性判别分析(SpLDA)以近似SpCCA。在AR与Yale两个人脸集上的实验证明:SpCCA与SpLDA性能相当,且与PCA+LDA、DCV、PCA+CCA、SpPCA和Aw-SpPCA方法相比,它们不仅有更优的识别性能,而且更具有稳定性和鲁棒性。进一步,针对Aw-SpPCA、SpCCA与SpLDA,本文改进了模式划分方法,提出了重叠的子模式划分法。实验证明,该划分法对上述三类子模式方法都具有不同程度的改进。