在模式识别中,一个对象往往有不同的表示方法,而这些不同的表示方法从理论上来说可以更加充分地反映同一个对象不同维度的信息。深度典型相关分析(Deep Canonical Correlation Analysis,CCA)是一种被广泛使用的特征提取算法,其目标是学习两个数据视图间复杂的非线性投影向量,该投影向量使得得到的映射特征具有高度的非线性相关性,它可以看作是线性典型相关分析的非线性拓展。本质上,深度典型相关分析是一种无监督的子空间特征学习算法,在学习过程中,每个样本的类别标签信息并没有被充分利用;此外,深度典型相关在面对小样本问题时,学习到的特征不具备较好的鲁棒性。基于以上提到的问题,本文以深度典型相关分析理论为基础,结合分数阶理论,并充分利用数据类别标签信息对参数的学习过程进行引导,深入研究并且构建了监督信息的深度典型相关分析理论,并将其应用于人脸检测与识别、语音情感识别等识别任务中。本文的主要创新内容和研究成果如下:(l)提出了一种监督的深度典型相关分析算法(Superviseddeep canonical correlation analysis,DCCA)。该算法充分使用样本的类标签信息,引导参数的学习,使学习到的特征表示在尽可能保持相关性的同时也可以保证新的投影之间类间距离最大。在手写体数据集MNIST和COIL-100数据集上的实验结果表明,本算法提取到的特征一定程度上提高了 Dep CCA的分类能力。(2)提出了一种考虑完全相关性的深度典型相关分析算法(Complete deep canonical correlation analysis,Complete deep CCA)。该方法重新定义一种新的相关性计算方法,此方法在原有方法的基础上不仅考虑了同一样本之间的相关性,而且同时考虑了同一类别中不同的样本、不同的视图之间的相关性。这样使相关性的计算变得更加全面。本算法在手写体数据集MNIST,语音数据集XRMB、RAVDESS上与原有的深度典型相关分析算法比较,识别率得到了一定的提高,这表明新算法可以抽取到更加易于分类的特征。(3)提出了一种分数阶嵌入的深度典型相关分析算法(Fractional-order embedding deep canonical correlation analysis,FEDCCA)。在面对小样本问题时,样本协方差矩阵与真实协方差矩阵之间往往存在较大的偏离。本方法利用分数阶的思想对样本的协方差矩阵进行重新估计,使其更加接近真实值,我们称新估计的协方差矩阵为分数阶散布矩阵。实验结果表明,FDCCA算法在样本数不足的情况下将深度典型相关分析算法的识别率进一步提高,这表明重新估计协方差矩阵是有意义的。