大数据时代的到来致使用户每天将会接触到很多的高维数据信息。随着我们所生活的互联网时代科学技术的快速发展,导致数据数量和维度不断增加,高维数据已经成为了大数据的重要组成部分。高复杂度的高维数据中隐藏着大量有价值的信息,挖掘高维数据,并将其进行可视化呈现,可以帮助人们获取更多信息和其更深层次的含义,但由于大数据本身的复杂度和多维属性,其表征呈现承载的信息量过大,数据信息的层次结构复杂,造成了人在认知过程中的高疲劳和低效率。目前的数据降维方法有很多,其虽然降低了高维数据的维度,但缺乏对人的认知的考虑。又由于人的认知具有局限性,现有方法的降维结果对用户的操作效率会产生一定的限制。因此,本课题主要结合人的认知行为,通过研究大数据特点,大数据可视化特征和现有降维方法的欠缺之处,分析研究大数据可视化过程中,用户的认知维度到可视化界面信息维度的映射关系,并提出各维度认知降维的理论方法及其相对应的设计策略。首先,通过高维数据的属性及可视化特征,分析其可视化难点及降维的重要性。其次,结合人与大数据可视化界面交互时的认知过程,提出认知维度的概念并进行定义以及分类,再对应各维度,分别提出界面相关的信息维度及信息属性编码,建立认知维度到界面信息维度(C-I)的映射关系模型,凸显各维度的高维特性。然后,基于高维数据的信息特性与用户的认知需求提出维度同源聚类,信息过滤等理论方法,再从可视化界面的表层信息,内在结构和深层含义出发,进行认知降维策略设计研究。最后,将理论方法应用到实际的大数据可视化界面的设计实践当中,最终旨于理论方法的应用能够达到提高用户操作效率和准确率的目的。