烟叶原料的化学成分是烟叶品质鉴定的重要指标,由于烟叶原料化学成分复杂,含量不一,导致烟叶原料指标数据体系具有维数高、结构呈非线性等特点,给烟叶质量评价工作带来难题。本文提出一种全局与局部判别融合的核边际判别分析算法（Kernel Global-local Marginal Fisher Analysis,KGLMDA）和一种加权最大类边际准则（Weighted Maximum Class Boundary Criterion,WMCBC）算法,在保持烟叶原料指标数据原始主要信息的基础上,对指标数据进行有效降维,从而解决这一技术难题。本文主要研究内容如下:1)通过分析并实践主流降维算法对烟叶原料指标数据降维效果,得出监督降维和非线性降维更适合烟叶原料化学指标数据体系降维。针对传统降维算法不能对烟叶原料化学指标数据体系进行有效的降维和特征提取的问题,进而提出一种KGLMDA算法。针对烟叶原料化学指标数据结构非线性的特点,在核边际判别分析算法的基础上,引入两个正则化项R1、R2,来描述烟叶化学指标数据的全局和局部结构信息,从而进行特征提取,从烟叶数据中提取更多有效的全局和局部特征信息,使分类结果更加准确、可靠。2)针对已有算法无法将烟叶化学指标数据的类间数据点进行有效区分的难题,提出一种加权最大类边界准则算法（WMCBC）。该监督算法充分利用标签的类别判别信息,通过优化类内散度矩阵,使同类数据样本在特征空间中尽可能接近;通过加入权重函数,优化了投影方向,解决了不同类数据间的交叉重叠问题,有效实现了烟叶原料化学指标数据体系的降维和等级聚类。本文结合k NN分类技术对KGLMDA算法和WMCBC算法进行了实验验证和分析,对比PCA、KPCA、LDA、LFDA、MFA算法与所提出的KGLMDA和WMCBC算法降维处理后的烟叶原料指标数据的分类效果,通过分析降维效果的衡量指标对比了烟叶数据在各算法处理后不同烟叶等级的分离程度,在不同比例的训练集下对比了各算法全局与局部信息提取能力,在加入随机噪声情况下对比各算法的抗噪声能力。通过五折交叉验证,KGLMDA算法对烟叶等级为B2F、C3F、X2F的识别准确率分别达到了93.33%、90.96%、95.21%。实验结果证明本文提出的KGLMDA算法与WMCBC算法对烟叶指标数据具有良好的降维效果、全局与局部信息特征提取能力和抗噪声能力,能够很好的针对烟叶原料指标数据进行降维和等级聚类,且对比传统算法准确率更高,鲁棒性强。