特征提取是计算机视觉、机器学习和模式识别领域的一个核心问题。如何有效地在低维空间描述原始高维空间的模式，并提取出有利于分类和识别的特征是当前需要解决的关键问题之一。论文介绍了各种应用较为广泛的特征提取方法，重点研究了基于图论的线性流形学习方法；在此基础上，结合非负矩阵分解的思想，研究了集成非负矩阵分解的特征提取方法。论文的主要内容有：第一，局部Fisher判别分析(Local Fisher Discriminant Analysis, LFDA)和边界Fisher分析(Marginal Fisher Analysis, MFA)是两种典型的流形学习判别方法，已被广泛地应用到模式识别、图像识别和数据聚类等领域。然而，它们仅刻画了数据的全局判别几何结构或局部判别几何结构，导致识别性不是足够的好。针对此问题，提出了集成全局和局部判别几何结构的判别特征提取方法，称为GLFDA(Globality-Locality Fisher Discriminant Analysis)算法。在几个数据库上的实验结果证实了所提方法的有效性。第二，非负矩阵分解(Non-negative Matrix Factorization, NMF)是模式识别、数据聚类、稀疏描述等领域非常活跃的特征提取方法。NMF较好地刻画了数据整体与部件的关系，缺点是忽略了数据之间的几何结构关系，导致在低维描述不能较好地刻画出数据的空间几何结构关系。针对此问题，利用拉普拉斯嵌入描述数据的局部几何结构关系，并将其嵌入到非负矩阵分解模型中，实现了集成局部几何结构的非负矩阵分解算法，称为LPNMF (Locality Preserving Non-negative MatrixFactorization)算法。最后利用K-means实现数据聚类。实验结果证实了所提方法的有效性。