基于广义相关性度量最大化的思想,将典型相关分析(CCA)推广到多个数据集上,即多重集典型相关分析(MCCA),所以MCCA研究的是多个数据集的相关关系。通过引入正交、核方法、监督信息、局部保持等思想,丰富了基于MCCA的模式识别算法理论。为了减小抽取样本特征时产生的误差,分数阶的思想被提出用来减小这种误差。本文将分数阶的思想与基于MCCA的算法理论相结合,对相关算法进行了深入研究与论证。具体工作如下：(1)从传统的正交多重集典型相关分析(OMCCA)和的多重集典型相关分析(FMCC)入手,结合正交和分数阶的思想,对MCCA的最优化模型加以改进,提出了分数阶嵌入的正交多重集典型相关分析(FOMCC),并且在模式识别中取得了很好的识别效果。(2)以FOMCC为基础,从线性的角度审视该方法的不足之处,借鉴核化的多重集典型相关分析(KMCCA)中的核方法改进FOMCC的最优化模型,提出了分数阶嵌入的核化的正交多重集典型相关分析(KFOMCC),同样取得了很好的识别效果。(3)从两个不同的角度引入监督信息,利用样本的类别信息,同时结合分数阶的思想,提出了两种新的监督学习方法：分数阶嵌入的广义多重集典型相关分析(FGMCC)和分数阶嵌入的鉴别多重集典型相关分析(FDMCC),并做了一系列的对比实验验证了这两种方法的有效性。(4)将局部保持的思想引入到多重集典型相关分析中,同时结合分数阶的思想,改进了MCCA的最优化模型,提出了分数阶嵌入的局部保持多重集典型相关分析(FLMCC),通过实验验证了其有效性,而且还比较了分数阶参数组合对识别效果的影响。