本文主要研究高维数据处理中的降维问题和降维方法。第一章首先提出了降维的模型和定义，讨论了相关的问题；第三节讨论“维数祸根”现象和高维空间的稀疏性，通过实例分析其对高维空间的数据分布特性具体影响；第四节讨论了本征维数及其估计的基本问题。 第二章是降维方法的回顾与分析，通过对比和综合若干常用降维方法，依据降维映射的形式提出一种分类方法，而后以降维问题的模型和分类为指导，讨论了几种常用的降维方法，特别是重点分析了经典线性降维方法——主成分分析方法，通过实例说明它不适用于处理非线性问题。 第三章围绕一种新兴的统计降维方法——投影寻踪展开讨论，概述投影寻踪的一般理论，定义了投影指标和投影寻踪的概念，证明了传统的主成分分析方法是投影寻踪的一个特例，证明了正态性与Friedman指标为0的等价性；第三节针对高光谱图像处理问题，从实例和理论两个方面，论证了以信息散度为指标的投影寻踪方法在提取信息的能力上优于以方差大小作为衡量信息量多少标准的主成分分析方法。 第四章是本文的重点内容，研究一种全新的非线性降维方法——局部线性嵌入方法，对它的思想和算法进行了详细的分析，给出算法两个相关定理的证明；第三节对比主成分分析，通过实例说明局部线性嵌入方法的非线性降维特征；第四节在此基础上提出了旨在结合两者优势的组合降维方法；第五节提出了局部线性嵌入方法中存在的若干关键性问题，包括流形的局部性、邻点的选择、本征维数的估计和降维映射的表示，第六节基于局部线性近似的思想提出了一种本征维数的估计方法，设计了实用算法，结合实例对算法中参数的选取进行了讨论；最后一节提出了一种基于局部线性重构的图形分类和识别方法，将其应用于手写体数字的图像分类识别实验，实验得到的分类准确率达96.67％。 本文的主要创新点在于：提出了降维映射和嵌入映射的概念；给出了投影指标的严格定义，证明了两个相关定理；提出了一种用于估计本征维数的方法并设计了实用算法；提出了一种基于局部线性重构思想的分类和识别方法。