高维数据可视化（High-Dimensional Data Visualization，简称HDDV）技术已经成为从高维数据获取有用信息的重要途径和有效手段，主要用于高维数据的分析和展示。HDDV在图像识别，生物数据，地震预测和航天遥感等领域正发挥着越来越重要的作用。随着HDDV技术的不断发展，如何抓住高维数据中的有用信息，进一步透过可视化技术实现低维展示，是目前迫切需要解决的问题。这就需要首先借助降维方法对高维数据进行必要的降维处理，然后利用可视化技术最终实现展示以供图形化分析。由于高维数据自身的特点，一方面造成了时空复杂度高的窘境，另一方面它也蕴含了很多人们无法通过观察直接获取的信息。对于处理高维数据的研究，很多工作都集中在降维算法的研究上，特别是流形学习；对于高维数据的展示方面，采用基于几何的可视化技术，即平行坐标法。针对高维数据的可视化，本文主要工作有以下几个方面：1．进行了线性和非线性降维方法的相关研究。并针对流形学习的降维方法提出了一些改进，主要是从有效提取高维数据的本征维度、提高分类效率、实现增量学习、降低噪声的干扰等方面着手研究，同时给出相应的实验论证。2.针对平行坐标的可视化技术，可以考虑结合维度限制或者降维处理过程，以弥补数据过于密集造成的可视效果不足。3．针对商业智能中的数据挖掘过程，增加一个初步可视化过程，本文给出了基于维度限制的初步可视化方法和一种基于Isomap和极大似然估计的平行坐标（PareallelCoordinates based on Isomap and MLE，简称PCIM）初步可视化方法，为最终的数据挖掘提供良好的反馈作用。建立在标准数据集上的实验结果表明，对比Isomap、LLE和LTSA降维算法，本文的改进降维算法确实能弥补其一些方面的不足。本文以商业智能中的两种数据为例，给出了详细的初步可视化实现流程，取得了较好的结果。