多视图的学习在最近十几年引起了众多研究人员的极大兴趣和关注。而传统的模式识别和机器学习的方法多是集中在单视图上进行的。这些单视图方法往往通过独立、交替的方法训练对应的分类器，从而再在独立的数据集上验证方法是否有效。单视图学习方法由于无法利用多维的关联信息因而在统计模式识别中的表现往往受到一定程度的限制。相比单视图学习方法，多视图中数据以多个视图(或特征集)的形式来描述。使用多视图数据的一个优点是可以利用不同视图之间的互补信息和相关信息。而且通过多个视图的学习方法我们可以发现视图之间的相关性，并抽取出关联特征，从而去除相关性较强的特征，提高在未知数据集上的处理稳定性与实际效果。　　 典型相关分析是一种无监督的多视图学习模型，并未有效利用样本的类标信息，因而在推广性上存在一定的局限性。本文中，我们关注于对典型相关分析模型作进一步拓展，提出具备更好的推广能力的分类模型。　　 在人脸识别中，很多研究学者推出了很多方法。典型相关分析也被应用于人脸识别。但是传统的典型相关分析在处理高维人脸数据上存在一定的困难，简单的利用主成份分析降维会导致很大的信息损失，无法完成有效信息的筛选和提取。特别在近些年，局部保持方法在模式识别领域得到了长足发展，通过局部近邻信息重建当前目标信息已经被证明是个非常有效的方法。因此，我们将局部保持的思想引入到典型相关分析中，提出了一个新的特征提取算法，称为一种新的应用于多维视图降维的局部保持典型相关分析。在我们提出的相关分析方法中，我们通过当前信息的近邻局部信息进行重新构建，从而使得视图中的关键信息均可重新构建同时还保持了特征的稳定性，这样可以在实际当中提高典型分析的可靠性和稳定性。通过一系列标准数据集上的实验结果我们可以看到该方法具有很好的实际效果。　　 与此同时，考虑到实际应用当中，方法的最终目的不再单一是识别率而是总体代价的控制，我们提出了基于代价敏感的典型相关分析，旨在降低总体分类成本，同时期望能够提高一定的识别率。代价敏感的学习方法可以使模型在构建的过程当中，通过学习逐渐适应并找到降低分类代价，提高分类精度的解决方法。在实际应用中可以应用于文本分类，搜索，人脸或者图像识别等等。在一系列标准数据集上，通过实验证明，代价敏感的典型相关分析同传统方法相比具有很高的优越性。