人体行为识别是计算机视觉与模式识别中的研究热点之一。它在智能视频监控、感知接口和虚拟现实等领域中均有着广泛的应用前景。在人体行为识别中，一般用一段视频或者一系列图像来记录人体行为，故待处理的数据往往具有较高的维数。然而，高维数据不但难以被人们直观理解，而且在识别阶段会导致过高的计算复杂度。所以，研究人体行为数据的低维表达，是一项必要且紧迫的工作。经典的线性降维方法，譬如PCA等，能够有效地对数据进行压缩，然而人体行为数据具有高度的非线性特征，所以经典的线性降维方法不适用于对人体行为数据进行降维。为此，我们需要寻求有效的非线性降维方法来处理人体行为数据。经过研究发现，非线性的流形学习技术能很好地保持数据的非线性性质。然而，经典的非线性流形学习算法也不能直接应用于人体行为识别中，其原因有三个方面：第一，在高维空间中，代表不同动作的两个流形可能相交，所以人体行为数据的整体，并不满足光滑流形的性质；第二，经典算法没有利用类别信息；第三，经典算法不能有效地处理样本集外的数据。 本文针对行为数据的特点，利用数据的类别信息，提出了三种有监督的流形学习方法：①从局部保持映射的框架出发，提出了优化的有监督局部保持映射算法；②受多维标度分析的启发，从流形的整体性质出发，重构流形平移后的距离结构，提出了有监督等距投影算法；③针对流形之间的度量方法，利用线性判别分析（LDA）的思想，提出了基于流形的判别分析。实验结果表明，本文提出的算法应用于在人体行为识别中，优于经典的流形学习算法；而在本文提出的算法中，综合变现最好的算法是优化的有监督局部保持映射。