随着科技的发展，难以处理的高维数据普遍存在于各个领域中，对这些高维数据的处理还存在许多困难，因此从获得的高维数据中提取出事物的本质特征同时剔除冗余数据的干扰是一个亟待解决的重要问题。现实中采集的高维数据大部分是非线性的，通过传统的线性方法难以发掘出高维数据的内在结构和相关性，难以揭示其流形分布，为高维数据的进一步处理造成了困难。针对线性方法存在的缺点已经提出了一些非线性的降维方法，这些方法打破了传统线性降维方法的框架。因为实际采集到的振动信号也是非线性的，所以本文提取振动信号特征所采用的是非线性降维方法中的局部线性嵌入算法。但是局部线性嵌入算法(LLE)的缺点是对数据噪声比较敏感，随着噪声的增大算法稳定性会逐渐变差。针对传统算法的这一缺点，本文引入稀疏约束对算法进行了改进得到了稀疏约束的局部线性嵌入算法(LLE-L1)；并针对现有的随机减量技术的不足，本文还提出了多重割线的随机减量算法改进思路，最后将改进算法应用在实际工程中验证了算法的有效性。稀疏约束的改进LLE算法，通过加入稀疏约束之后使求得的最优重构权值矩阵更加稀疏，从而在求解过程中更好的消除了噪声的影响。最后通过仿真实验验证算法的有效性，实验结果表明在不同噪声条件下，稀疏约束的改进LLE算法具有更强的抗噪能力。多割线的随机减量法使得参与求平均的子样本数大大增加，在更大程度上消除了环境噪声的影响，可以达到更好的自由响应信号提取效果，从而为本文的算法提供良好的基础信号。将稀疏约束的LLE算法与小波包变换相结合，提取经过多重割线随机减量算法处理的清水浦大桥斜拉索上采集的振动信号的WPE能量流流形特征，最后将提取的特征作为支持向量机的分类依据，从而实现故障分类识别，并与WPE向量，WPE矩阵，小波时间熵等特征量作对比分析，表明算法具有很高的精确性、稳定性和可靠性。综上所述，本文引入稀疏约束对传统的局部线性嵌入算法进行了改进，但是对于样本数据点较多的情况，为了找到全局最优解，L1范数在求解过程中要进行多次迭代，这样导致LLE-L1算法运算时间会很长，因此LLE-L1算法的运算时间复杂度有待进一步改进。在实际工程应用中，由于条件限制没有采集到故障状态的大桥斜拉索振动信号，而是通过对采集的健康振动信号加噪声的方式来模拟故障信号，由于实际采集的故障振动信号更复杂，这样导致算法应用到实际工程中存在一定的局限性。