多视图数据及高维图像数据的特征提取问题是图像处理中的重要问题。基于子空间投影的图像特征提取方法有着运算代价小、描述能力强等优势,并且广泛应用于多视图图像识别和降维中。因此,论文课题致力于研究现有多视图公共子空间投影方法在子空间学习过程中未能充分利用多视图数据中有效信息的问题,以及现有低维子空间学习方法预先学习重构关系的问题,对现有算法进行了改进,以提高对于多视图图像数据以及高维图像数据的特征提取性能。论文的主要工作包括:（1）基于多视图公共子空间投影方法,提出了一种加权多视图公共子空间投影方法,该方法通过加权参数有效地调整视图内和视图间判别信息的贡献率,以便去除噪声和冗余特征,并充分利用多视图的信息,提取有效的特征。在求解模型的过程中,利用最大散度差准则作为视图内和视图间投影的度量。将所提出的方法在Caltech101-7、Caltech101-20和MSRCV1三个数据集上进行了实验,同时将现有的八个相关的多视图公共子空间投影方法也在相同数据集上进行了对比实验,实验结果表明所提出加权多视图公共子空间投影方法平均识别精度可提高5%左右。（2）基于低维子空间投影方法,提出了一种自适应邻域保持判别子空间投影方法,该方法在子空间学习的过程中通过所设计的算法自动更新稀疏重构系数,还能在低维子空间中学习数据点与聚类原型之间的模糊隶属关系。通过将自适应重构关系和投影模糊聚类的集成,所提出的方法可以同时探索重构关系和聚类结构。此外,还设计了一个迭代算法来交替更新该方法中的变量,用于求解该方法。将所提出的方法在MSRA、Dermatology、Satimage和Yeast四个数据集上进行了实验,同时将现有的七种低维子空间投影方法也在相同数据集上进行了对比实验,实验结果表明所提出的自适应邻域保持判别子空间投影方法能够在ACC值上提高1%～13%,NMI值上提高1%～17%。（3）将所提出的加权多视图公共子空间投影方法和自适应邻域保持判别子空间投影方法运用到人脸识别,并在CMU-PIE多视图人脸数据集和ORL数据集、LFW数据集及Yale数据集等三个单视图人脸数据集上进行了实验,实验结果表明所提出的加权多视图公共子空间投影方法和自适应邻域保持判别子空间投影方法均可以在以上人脸数据集上有效地提取人脸图像中的特征。本文所提出的加权多视图公共子空间投影方法能够通过调整视图内和视图间判别信息的贡献率,充分利用多视图的信息,有效提取多视图数据的特征;所提出自适应邻域保持判别子空间投影方法能够学习高维数据中的重构关系和聚类结构,有效提取高维图像数据中的特征。最后,将所提出的两个子空间投影图像特征提取方法,即加权多视图公共子空间投影方法和自适应邻域保持判别子空间投影方法,应用于多视图人脸识别数据集和单视图人脸识别数据集,实验结果证明了这两种方法的有效性。