在图像识别中由于不同角度的描述,同一模式往往具有不同的特征表示。一般来说,这些特征表示能够反映同一对象的不同特性或视角。典型相关分析(CanonicalCorrelation Analysis,CCA)是一种经典的多表示联合特征抽取算法,其目标是寻找两组不同的投影方向使得典型投影之间具有最大相关性。本质上,典型相关方法是一种无监督的子空间学习算法,其并没有充分利用样本的类标签信息。同时,实际应用中模糊数学理论认为,样本与类别之间的界限并不十分明确,同一样本可能以不同程度隶属于多个类别。基于此,本文以典型相关分析理论为基础,结合模糊数学理论,提出了一套模糊特征抽取算法,并将之应用于图像识别。总的来说,本文的主要创新内容和研究成果如下:(1)提出了一种新颖的模糊典型相关分析算法(CCA_f)。该算法对样本与类别间的模糊隶属程度进行多个角度描述,使得该模糊关系包含的信息更加完整。在此基础上,构建模糊典型相关分析模型,并给出了其最优解。在对象数据集COIL-100和人脸数据集AR上的实验结果表明,本算法抽取的模糊特征在图像识别分类中具有较强的鉴别力。(2)提出了模糊分数阶典型相关分析算法(FFCCA)。该算法利用分数阶思想对模糊协方差矩阵进行重新估计,使其更加接近真实值。实验结果表明,FFCCA算法在样本数不足的情况下将CCA_f算法的识别率提高了约两个百分比,这证明了模糊分数阶散布矩阵的重建是有意义的。(3)提出了模糊局部典型相关分析算法(FLPCCA)。该算法利用局部的思想对高维多表示数据进行学习,将全局非线性问题转换为局部线性问题的集合,使得抽取的特征能够更好地揭露非线性数据的性质。实验结果证明了本算法具有较好的识别效果。