作为机器学习中的重要课题,降维得到广泛的研究和应用,因此,大量的降维方法被提出。当只有少量的有标签样本时,容易产生过拟合,监督降维效果常常不是最优的,在这种情况下,无标签的样本也能够用来提高降维的性能,因而半监督降维成为热门的研究。在这篇文章中,我们提出了一种鲁棒的半监督降维算法,该方法能够同时对数据进行降维和学习数据的结构特征,我们称这种算法为结构正则化半监督降维。首先,通过交替方向优化算法和聚类发现数据的结构(包括本质结构分布和数据分割),实现结构学习;然后通过降维的正则化项(本质结构和数据分割)来学习降维映射;在下面的迭代过程中,降维的结果也会影响数据的结构化学习。基于数据结构学习和降维映射之间的相互作用,我们能够得到更精确的数据结构和降到最合适的维度,使之分类效果更佳。我们的算法建立在两种投影空间上:非正交约束投影空间和正交约束投影空间。大量实验证明了我们方法的有效性。