图像识别是模式识别领域的一个基本研究方向。随着信息技术的快速发展，图像的维数越来越高。如何有效地描述和分类图像，是当前研究的难点。特征提取能够通过一定的线性或者非线性变换，找出有利于后续分析的特征。通过特征提取，可以发掘数据的低维表示的内在几何结构，并且可以降低后续的计算复杂度。因此，特征提取已成为图像识别技术中的一个研究的热点。本文主要工作如下：第一，针对线性判别分析和邻域保持嵌入存在的单一结构不能准确描述数据的内在几何结构和过学习问题，提出了判别邻域结构嵌入(DiscriminantNeighborhood Structure Embedding, DNSE)。DNSE利用线性判别分析的优点，保持了数据的全局结构。在此基础上，通过局部相似性邻接图和局部多样性邻接图嵌入保持了数据的局部几何结构。局部多样性信息的嵌入，有效地抑制了过学习问题。实验结果验证了算法的性能。第二，研究表明，通过正交的投影向量获得的低维描述更利于分类识别。TraceRatio方式求解能获得目标函数的全局最优解，并且求解所得的投影矩阵满足各个方向正交。因此，提出了基于Trace Ratio准则的判别邻域结构嵌入算法（Trace RatioBased Discriminant Neighborhood Structure Embedding, TR-DNSE）。相比DNSE，TR-DNSE采用一组不相关的向量去投影，因此更有益于后续的判别分类等。算法的鲁棒性更强，实验结果验证了算法的性能。