特征降维是机器学习领域的重要研究方向之一,广泛应用于计算机视觉和数据挖掘等领域。其目的是去除原始数据中存在的大量冗余信息,寻找出复杂数据中有效的本质特征。实际中,容易获得大量无标记样本,而有标记样本的数量有限,使得传统的有监督和无监督特征降维方法都不能取得很好的效果。为了充分利用无标记样本的信息,本文重点研究基于半监督学习的特征降维方法。首先,针对直推式成分分析(TCA)方法中有监督的类内图和类间图不能充分利用类标信息的问题,提出了一种新的直推式局部费舍尔判别分析(TLFDA)方法。该方法通过判别分析来计算局部类间散布矩阵和局部类内散布矩阵,实现了对样本类标信息更充分的利用,同时保留了TCA方法能保持样本局部结构信息的特性。仿真实验结果表明,与传统基于半监督学习的特征降维方法相比,所提TLFDA方法具有更好的识别性能。其次,针对SELF方法仅保持少量有标记样本局部结构信息的局限性,提出了一种新的直推式局部判别分析(TLDA)方法,将线性判别分析和改进的LPP方法相结合,能够兼顾大量无标记样本的局部结构信息和有标记样本的全局信息。仿真实验结果表明,TLDA方法具有比传统基于半监督学习的特征降维方法更好的识别性能。最后,针对传统构图方法没有利用类标信息的不足,将有监督无向图和K近邻图同时投影到新特征空间中,得到了一种新的有监督投影图。进一步,将有监督投影图和类间无向图相结合,提出了一种直推式局部保持投影算法(TLPP),有效地保持了全部样本的局部结构信息。仿真实验结果表明,与基于传统构图策略的半监督特征降维方法相比,所提TLPP方法能够获得更好的识别性能。