模式识别旨在根据研究对象的特征或属性,利用计算机来模拟或实现人的学习及辨识能力。而特征提取是模式识别所研究的关键问题之一,可有效缓解模式识别领域经常出现的“维数灾难”问题,并对后续识别性能起着重要作用。Fisher线性判别分析（Fisher Linear Discriminant Analysis,FLDA）作为一种典型的特征提取方法,已广泛应用于生物特征识别、图像检索和文本分类等领域。FLDA旨在最大化Fisher准则的基础上,寻求一个子空间,使在该子空间中数据的类间离散度最大,类内离散度最小,以达到较好的可分离性。然而Fisher准则中的距离度量为L₂范数度量,对异常值点较敏感,缺乏鲁棒性。近年来,判别分析的鲁棒性持续受到关注。其中,基于L₁范数距离度量的Fisher线性判别分析（FLDA_L1）算法,提高了FLDA鲁棒性的同时,也避免了FLDA中的秩限制问题。但FLDA_L1模型非凸,求解具有挑战性。基于凹凸算法（Concave-Convex Procedure,CCCP）框架,本文一方面提出了一种新的FLDA_L1模型的求解算法,在多个数据集上检验了所提算法的特征提取效果优于传统FLDA,在噪声数据上表现出较强的鲁棒性;另一方面,结合核方法（Kernel method）,将FLDA_L1模型推广到非线性核情形,给出了L₁度量下的核Fisher判别分析（KFDA_L1）模型及求解算法,在部分人工数据、UCI数据集和一些图像数据上,通过KFDA_L1、核判别分析（KFDA）、FLDA降维后,进行可视化对比与分类精度对比,验证了KFDA_L1优于KFDA和FLDA。由此,对线性或非线性Fisher判别分析,可以考虑采用L₁范数度量代替L₂范数度量,克服秩限制问题的同时,以期望提高特征提取的鲁棒性。