随着现代科技发展,人工智能技术的研究受到广泛的关注。基于数据的机器学习是其重要的研究内容,即从收集的数据样本中学习规律,并且使用这些规律对未来观测数据或无法观测的事物进行预测。然而现实环境中存在大量的繁琐复杂的现象与事物,随着收集观测事物的数据信息的增多,“维数的诅咒”随之出现,它指的是,在缺乏简单假设的情况下,估计一个具有多个变量的函数达到一定精度所需的样本量在变量数量上呈指数增长。高维数据虽然能给我们提供样本更多的特征信息,但是较高的数据维度在机器学习计算中也带来了问题,因此,针对高维数据的机器学习降维算法研究是现在机器学习领域中的一个热门话题。顺序回归学习在社会科学和信息检索中频繁出现,是一种基于排序信息预测变量的监督学习方法,其训练样本由一组序数标记,用它们来表现不同类别之间的排序。与线性回归问题不同,顺序回归是同时考虑线性回归和分类问题的一种机器学习方法,用于标记序数的类型是有限的,并且序数之间的度量距离没有定义。本文研究了基于顺序回归的支持向量降维算法,提出了顺序回归支持向量降维机(ORDR-U)以及顺序回归排序支持向量降维机(ORDR-M)。顺序回归支持向量降维机(ORDR-U),首先利用隐性阈值支持向量顺序回归机(SVORIM)模型通过递归迭代计算得到降维矩阵,降维矩阵是由多次递归迭代计算得到的映射向量组合而成,该方法在每次求解中得到了支持向量有序回归意义下的最优映射向量,同时由于递归迭代格式的使用克服了传统降维算法中维数限制问题;顺序回归排序支持向量降维机(ORDR-M)是在前述算法基础上改进而得,该算法对映射向量的选取上进行了优化,它充分利用迭代计算优势获取多个映射向量,将更有效的特征所对应的映射向量按照SVORIM模型分类准确率排序组合成降维矩阵,即,获得SVORIM模型分类准确率最优意义下的降维矩阵使最终的分类效果更优。由于顺序回归学习的数据集中存在排序信息,相比于传统的降维算法,这两种算法不仅能更好地保留标签之间的顺序信息,且得益于采用递归迭代优化解决了映射矩阵维数受限的问题。最后用数值实验验证本文算法的有效性。