特征提取是模式识别中最基本的研究内容之一，可以有效地缓解模式识别领域经常出现的“维数灾难”问题并对识别性能起着重要作用，它在生物特征识别、信息处理、文本分类等领域有着广泛的应用。现有的特征提取方法非常多，但仍然存在一些缺陷，例如对噪声敏感、小样本问题、抽取的特征中存在冗余等。本文对二维模式特征提取方法及单类分类的特征提取方法开展了研究，对已有特征提取方法的缺陷进行了改进，主要贡献包括：1.传统的2DLPP是基于L2范数的，对噪声很敏感，本文提出了一种基于L1范数的2DLPP（2DLPP-L1），2DLPP-L1通过一个迭代算法来降维，该算法不需要特征值分解。与基于L2范数的2DLPP相比，所提基于L1范数的2DLPP具有更强的鲁棒性。2.2DLDA本质上只在所给图像的行方向上抽取特征，因此抽取的特征中仍存在冗余，为此提出了基于2DLDA和模糊粗糙集的两阶段维数约减方法（2DLDAFRS）。第一个阶段，用2DLDA抽取特征。第二个阶段，用基于属性频率的模糊粗糙集约简算法来消除2DLDA抽取特征中的冗余。3.针对单类分类器SVDD训练时，参数不好选取及特征中存在冗余的问题，提出了一种基于模拟退火的SVDD特征提取和参数选择方法（SA-SVDD），在模拟退火的过程中，自动选取最优核参数、折衷参数以及提取特征的维数。实验结果表明，所提的改进方法可以提高相应特征提取方法的提取效率和算法性能。