当前,图像识别成为人工智能和模式识别领域中一项最为重要和活跃的研究课题,本文的研究是基于典型相关分析(Canonical Correlation Analysis,CCA)展开的,在典型相关分析的框架下引入了多组特征、多种核函数及稀疏保持投影,提出了四种改进方法,由此提高分类性能,并且将研究成果应用于人脸识别和手写体数字识别中。主要包括以下几个方面的内容:1、基于多重集核典型相关分析(MKCCA)的特征融合方法。典型相关分析是研究两组随机变量之间的线性关系的一种方法,但由于特征组数的限制和现实世界的错综复杂,不可能用几个简单的线性特征函数就能求解问题。因此针对典型相关分析提取特征不足和提取复杂非线性信息困难的问题,本文提出了多重集核典型相关分析。在典型相关分析的基础上引入多组特征及核函数,将两组特征推广到多组特征,并且将图像数据样本映射到高维特征空间,从而有效提取更多的判别信息和非线性信息并获得更具鉴别力的分类特征。在多个人脸数据库以及手写体数字库上的实验结果表明了该方法的有效性和稳定性。2、基于稀疏保持典型相关分析(SPCCA)的模式识别。典型相关分析是一种无监督的方法,未使用样本的类别标号信息,因此浪费了大量有用信息并且泛化能力较差。针对这一问题,本文研究了稀疏保持典型相关分析,在典型相关分析的框架下,利用稀疏保持投影将样本之间的类别信息引入,并且将两组特征向量的相关性特征作为有效信息用于分类,提高了识别精度。实验比较了SPCCA算法和其他相关算法的识别性能,结果表明该方法具有更好的识别效果。3、基于核稀疏保持典型相关分析(KSPCCA)的图像识别。本文所提出的核稀疏保持典型相关分析算法是对KCCA和SPCCA算法的结合与优化,首先通过核函数将图像数据样本映射到高维特征空间,然后在核空间中用稀疏保持典型相关分析算法进行特征提取和融合,最后将所得到的特征用于分类识别。该方法充分考虑了数据样本中的非线性信息和类别标号信息,在多个公开人脸数据库及手写体数字库上得到的实验结果也验证了KSPCCA算法的有效性。4、基于多核化稀疏保持典型相关分析(MKSPCCA)的图像识别。KSPCCA算法虽然克服了CCA提取非线性特征困难和未使用样本的类别信息的问题,但仍存在核参数变化显著影响识别率的问题。因此本文提出了多核化稀疏保持典型相关分析,通过使用基于不同核函数的KSPCCA算法分别对数据样本进行学习和融合,得到更具鉴别力的特征用于分类识别。在JAFFE、Yale、PICS、ORL人脸数据库和UCI手写体数字库上的实验结果表明MKSPCCA方法具有良好的识别率,同时与其他相关算法的对比结果表明该算法在降低核参数变化的影响方面具有一定优势。