在模式识别领域，特征选择和特征提取作为设计模式识别系统的重要一环，对原始数据进行变换，以得到最能反映分类本质的特征。　　 主分量分析算法作为进行数据压缩和特征提取的一种基本方法，被广泛应用在统计数据分析、通信理论、模式识别和图像处理等方面。核主分量分析作为对主分量分析的改进，更易于提取样本集的非线性特征。然而，当样本集中含有劣点时，即使是劣点所占比例极小，也会对所提取的主分量有较大的影响。在模式识别领域，不准确的主分量会影响最终分类结果。因此，对核主分量分析的鲁棒性的讨论是很有必要的。本文主要在以下三个方面提出了一些新的方法和尝试。　　 首先，注意到主分量分析只考虑了样本的二阶统计特性，而独立分量分析所提取的分量是统计独立的，它考虑了样本的高阶统计特性。针对红外运动图像的特点，将包含复杂背景和运动小目标的图像序列视作混合信号，目标视为混合信号中的一个独立分量，设计了一种基于快速独立分量分析法的目标检测算法，该方法具有简单，快速，适应性强等特点。　　 其次，讨论了特征空间中的原始样本与重建样本之间的平方误差，证明了平方误差最小也是核主分量分析的一种等价定义。　　 在此基础上，从特征空间的平方误差函数出发，利用随机梯度下降方法，推导出迭代形式的核主分量分析算法。同时，本文对此平方误差函数增加惩罚因子，使得迭代式会根据重建误差自适应地调整学习参数，从而得到自适应的鲁棒核主分量分析算法。理论分析和实验结果表明，此算法能有效地减小劣点对所提取的主分量的影响。