自然界的很多信息都采用高维数据来表示。这些数据结构复杂、规模大,难以直接处理。如何对这些数据进行降维处理是机器学习、模式识别等领域研究的重要内容。相关技术的改进和优化对高维数据分析有着重要的意义。高斯过程隐变量模型是一个无监督的概率降维模型,该模型是基于概率主成分分析方法,但该模型不具有利用样本标签信息的能力,因此不适用于分类问题;同时,该模型假设各个样本相互独立,对于时间序列数据,不能建立样本之间的动态联系,因而该模型不适用于时间序列的建模。针对以上问题,本文对高斯过程隐变量模型进行扩展。使该模型利用标签信息,对低维隐变量的分布进行假设,将其扩展为一个具有分类学习能力的降维模型。实验结果表明在分类问题上,本文提出的扩展模型具有比其他模型更好的分类能力。同时,采用马尔科夫过程对隐变量之间的动态联系进行建模,并引入多核学习的策略提高模型的泛化能力。实验结果表明在时间序列降维问题上,该模型对某类人体姿态数据之间的动态联系有着较好的保留,同时让该模型具有较强的泛化能力。本文通过对隐变量的分布形式的建模,多核学习策略的引入,提出了基于高斯过程隐变量模型的扩展模型,提升了扩展模型对数据的降维与分类的能力。