特征提取在计算机视觉和模式识别中扮演一个重要角色,主成分分析(PCA)和线性判别分析(LDA)是两个著名的特征提取模式,但是它们很难发现数据潜在的流形结构。最近几年,基于图的特征提取模式引起了很大的关注,其关键问题是如何构造图来发现数据的本质结构。本文阐述了经典的特征提取算法,并提出新的基于图嵌入的特征提取算法,在一些数据集上验证了各算法的有效性,主要包括:(1)提出一种基于竞争性协同表示的局部判别投影特征提取算法,该方法利用基于具有竞争性协同表示的方法构造类间图和类内图,考虑到邻接图中各类型系数的影响,引入保留正表示系数的思想稀疏化邻接图,通过计算类内散度矩阵和类间散度矩阵来刻画图像的局部结构并得其最优投影矩阵。在一些数据集上的实验结果表明,该方法能有效地提高图像的识别效率。(2)考虑到利用核范数的矩阵回归构造图在特征提取算法中得到广泛研究,然而其在求解系数时将不可避免的产生负系数,从物理上讲不适合用加法和减法来重构现实应用中的样本,为此,本文提出一种基于核范数的非负表示矩阵回归特征提取算法,该算法通过带有非负约束的核范数矩阵回归构造类间图和类内图,通过计算类内散度矩阵和类间散度矩阵来刻画图像的局部结构并得其最优投影矩阵。在多个图像数据集上验证了算法的有效性。(3)为了学习有效特征而放弃无用的特征,并充分使用训练样本的局部邻域关系,本文提出一种基于相似性加权局部协同表示的判别分析特征提取,在保持训练样本间相似性的同时保留局部信息和整体判别信息,并以类间散度和类内散度之比作为准则学习最优投影矩阵,提取最有效的特征,从而进一步提升算法的分类效果。通过实验证明,该算法可提高图像识别性能。