随着大数据时代的来临,海量的文本、图像、音频等多种类型数据无时无刻地在陆续产生。在处理图像过程中,若将机器学习算法直接应用于原始图像,那么海量的图像数据对于硬件与软件而言,将会是巨大的挑战。因此,处理高维数据成为目前数据挖掘、模式识别等领域的研究热点。高维数据挖掘的核心任务之一是降维。给定一个高维空间样本,降维的目的是将原空间中的样本进行特征选择或特征提取以映射到低维子空间中。作为数据处理的有效手段,其有着提升学习效果、增强计算有效性、减少存储量、构建更好地通用模型的优势,子空间的学习结果可以广泛应用于分类或聚类任务中。本论文首先对降维算法特别是子空间学习的国内外研究现状进行分析,全局子空间学习算法假设数据分布在同一空间,因此无法很好的表征那些包含不同子空间的样本。为了克服这个缺点,研究人员提出了利用局部线性子空间对流形进行建模。但无论使用全局子空间学习算法,还是使用局部子空间学习算法,必须确定样本是否被包含在不同的子空间。如果样本包含于不同的子空间中,则通常需要给出子空间的数目,这极大限制了这些算法的灵活性和性能。对于上述问题,本文受神经网络中激活函数的启发,提出了一种自适应局部子空间学习方法,以及样本间相似性计算方法,使得对样本进行子空间学习时无需考虑其是否存在于多个不同的子空间中。通过推导以及性能分析实验可证明该算法学习的子空间能够更好表示流形结构中样本间的相邻关系。在标准人脸库的识别、重构实验中验证了本文提出的特征提取方法在高维数据样本上的有效性与鲁棒性。