随着技术和硬件的进步,数据收集变得更加容易,数据库规模越来越大,复杂性越来越高,人类面临的一大问题就是如何在复杂的高维数据中得到有用的信息。众所众知,人眼能识别的可视化范围也是三维坐标空间系,所以高维数据对人类是陌生的。而解决这一问题的关键就是降维可视化技术。降维可视化技术作为一种将知识具现给人们,却将信息知识的决策权交给人类,是机器学习算法和人类认知和经验有效结合。本文提出了一种新的基于最优质量传输理论的高维数据降维可视化算法,结合了质量驱动的拓扑感知曲线骨架提取算法。本文在该骨架提取算法的基础上进行改进,使其适用于高维数据的骨架提取和指定数量的输出骨架。对于高维数据降维算法,本文将高维和低维的数据抽象为高斯分布的概率矩阵,并采用对称SNE的思想,使概率矩阵的对角相等,避免离群点的惩罚值过大,之后使用Wasserstein距离代替KL散度作为能量函数,并在能量函数之后添加保持全局距离的正则项,使本文的降维算法更加注重于离群点的距离和维持全局的基本形状。本文的可视化方法让降维算法和骨架提取算法互相配合,意图达到让骨架来帮助用户更好的理解分类,同时保证全局距离的降维算法使用户更好理解全局效果。本文展示了我们的可视化方法在不同的三维和高维数据集上的可视化效果,并且与基本的线性降维和非线性降维算法进行了对比,表明了本文可视化方法的有效性。