随着现代科学技术的发展,高维数据越来越多地出现在互联网、科学研究等领域。为了达到细致准确地描述客观事物的目的,人们通常需要应用这些高维的数据。但是人们在享受高维数据给人们带来便利的同时,也给人们造成了相关的不便:这些数据的高维属性会使隐藏在这些数据背后的事物的规律难于被发现。当人们在直接处理高维数据时,会遇到所谓的“维数灾难”问题:要在给定的精度下准确地对某些变量的函数进行估计,所需要的样本数量会随着样本维数的增加而呈指数形式增长。因此,在使用高维数据之前对其进行降维处理是十分有意义而且必要的。本文主要把核方法引入到正交正则化典型相关分析中,提出了正交正则化核典型相关分析方法,从而将正交正则化典型相关分析算法的适用范围从线性空间扩展到了非线性空间。设计并生成针对正交正则化核典型相关分析算法的仿真实验数据,与正交正则化典型相关分析算法进行对比,验证了所提算法的可行性和有效性。然后将所研究算法应用于特征融合中,应用线性变换的方法将提取的特征进行融合,并用最近邻分类器对融合后的特征进行分类。最后,分别应用CENPARMI手写体阿拉伯数字数据库和耶鲁大学标准人脸图像识别数据库验证了算法在特征融合中的实际效果。本文首次将核方法引入到正交正则化典型相关分析中,从而提供了一种解决非线性数据降维问题的新方法。同时,在对CENPARMI手写体阿拉伯数字数据库和耶鲁大学标准人脸图像识别数据库进行的识别实验结果表明了可以将应用与实际应用中。