在信息技术飞速发展的时代,信息的形式和数量与日俱增,为了高效地获取人们需要的信息,研究者在计算机视觉和机器学习上进行了大量的工作,其中,对分类和聚类技术的研究早已引起了研究者很多的关注。在聚类或分类时,人们为了更加全面地表示一个目标,会从多个方面进行特征提取,得到高维数据,而这些数据中存的噪音和冗余信息会对后面的处理过程造成很大的影响,因此提前进行特征表征,成为有效的处理方式之一。本文基于图嵌入理论,针对特征表征的学习方法,进行了如下研究工作。第一,针对特征融合,本文提出了一种鲁棒性关系图学习算法,旨在高效地进行多模态聚类任务。其中,针对多模态特征下的样本构建鲁棒性拉普拉斯矩阵的问题,我们基于稀疏回归和差图映射,提出了一种鲁棒性拉普拉斯矩阵构建算法,旨在构建鲁棒的图;针对融合多个拉普拉斯矩阵的任务,我们提出了一种一致性关系图学习算法,自动获取多个模态共享的隐性结构。本文通过在5个公开的数据库进行实验,验证了我们所提算法的可行性和有效性。第二,针对图像集地特征表征,本文提出了一种直推式的张量驱动下的低秩判别性分析算法,旨在提高图像集分类准确率。算法主要包括两个部分:张量驱动下的低秩表示和图映射判别性分析。张量驱动下的低秩表示旨在通过最小化重构误差去除噪声,最终寻求特征最低秩的表示;图映射判别性分析同时将判别性信息和几何结构信息考虑在内,确保同类样本之间的紧凑性和不同类样本之间的可分性。最后,我们在7个公开的数据库上进行图像集分类实验,验证了提出算法的可行性和有效性。