随着数据获取技术的飞速发展,图像数据已呈现出复杂化和高维化的特点。虽然高维图像提高了图像识别等应用的性能,但是也增加了识别系统的处理和存储代价。因此,如何有效提取有用信息,以对高维数据进行维数约简是研究者们迫切需要解决的问题。其中,流形学习是一种广泛使用的特征提取方法,它通过局部结构保持来捕捉和释放隐藏在数据中的几何信息,具有良好的降维效果。局部对流形学习算法具有极其重要的作用,但是这类算法在高维空间中定义局部会存在争议,特别是数据中存在大量噪声和冗余信息的情况下。由于无法在一个真正的低维流形中定义局部,一个可行的方法就是提高局部的置信度。为此,本文主要的研究内容如下:（1）从线性和非线性角度分析了一些典型的特征提取方法,包括这些算法的主要思想、推导过程及优缺点等。线性特征提取方法主要分析了主成分分析和线性判别分析,非线性特征提取方法分析了核主成分分析、核判别分析、局部保持投影、邻域保持嵌入。（2）为了改善流形学习算法的局部置信度问题,本文对局部进行了深入研究,总结归纳了关于局部的四个性质,提出了一种最近邻子空间保持的特征提取方法。首先,将数据中的每个样本点及其近邻视为一个局部,进而张成一个最近邻子空间;然后,利用格拉姆行列式对所有最近邻子空间的体积进行度量;最后,对体积做归一化处理,并集成到局部保持投影和邻域保持嵌入的函数模型中。（3）选取了一些真实的高维图像集进行实验,首先利用本文算法和其他特征提取算法对数据集进行降维,然后通过聚类和分类任务实验比较分析这些算法的低维表示能力,实验结果表明,本文算法提取的特征更具鉴别性。