近年来,模式识别作为人工智能的重要组成部分,广泛的应用于图像识别、语音识别、文字识别等领域。典型相关分析（Canonical Correlation Analysis,CCA）是模式识别的一种经典算法,研究的主要是两个视图之间的的相关性。但是CCA不能利用样本的类信息,限制了 CCA的实际降维性能。判别典型相关分析（Discriminative Canonical Correlation Analysis,DCCA）基于CCA而发展,其抽取的特征能够表示样本的判别结构。但是在实际应用中,DCCA不能利用现实中大量的无标签样本信息,所以往往表现不佳。半监督学习能够在利用少量的标签样本信息的同时,利用大量的无标签样本信息来提高识别性能。因此,本文在半监督的数据场景下,基于DCCA展开相应的研究。论文主要工作如下:（1）本文希望利用大量无标号样本信息来刻画高维数据的流形结构,从而提高识别性能。因此,对于半监督数据,本文提出了流形正则化判别典型相关分析算法（MRDCCA）。MRDCCA能够使用标签样本信息来保留判别信息的同时,通过加入拉普拉斯正则化项来评估所有数据的本质几何结构。所以,该算法不仅仅能够利用DCCA方法的优点,而且能够保留数据的流形结构。在多特征手写体数据集和人脸数据集（Yale和ORL）上表明,此方法具有较高的识别率。（2）通过引入主成分分析（Principal Component Analysis,PCA）的思想,用两个平衡参数将PCA算法与DCCA算法相结合,本文提出了基于主成分分析的半监督判别典型相关分析（PSDCCA）。PSDCCA能够平滑的连接PCA和DCCA的特征值求解问题。一方面能够通过DCCA模型,充分利用样本的判别信息;另一方面,也能利用PCA算法使用大量的无标签样本信息,探求出空间数据的分布情况。在一些数据集上的实验结果表明,PSDCCA能够利用少量的标签信息和大量的无标签信息提高分类识别性能。（3）为了能够充分的使用大量的无标签样本信息,本文提出了将判别典型相关分析应用于半监督数据的两阶段法（DCCA₂）。此方法能够先利用DCCA算法,将样本的标签信息考虑在内,从而最大化同类样本之间的相关性。而且通过采用LPP算法对少量标签样本信息和大量无标签样本信息进行处理,使得原始空间中近邻的点在降维后也依旧靠近,更好的保留了隐藏在数据中的流形结构。一些实验结果证明,DCCA₂具有比较好的识别效果。