随着科技的不断进步和互联网的飞速发展,数据呈现出样本数量大、特征种类繁杂、维数高、结构复杂的特点。特征融合是一种提高分类器检测精度的有效方法,已经成为了机器学习、数据挖掘等领域的研究热点。本文以图像数据为例,针对“如何从某一类样本的多组特征集合中获取低维度、低冗余、高信息量的融合特征”展开研究。主要工作如下:(1)本文提出了一种基于张量的特征融合(Tensor-based Feature Fusion,Tensor-FF)算法。提出了基于混合张量的特征融合方式构造融合特征,通过对融合特征进行张量分解、对原融合数据进行投影实现特征融合的目的。本文提出的Tensor-FF算法能够以张量形式的数据为输入数据,在提取图像底层特征时保留了底层特征的结构信息。在Corel、MFEAT手写体、FERET人脸数据库上的实验结果表明,所提的方法对图像特征融合有效,且优于现有使用张量进行特征融合的方法多成分分析。(2)本文针对传统目标检测提出了基于多特征融合的目标检测算法——基于Tensor-FF的DPM目标检测。对经典的目标检测算法DPM进行改进,使用融合特征代替原有的单一HOG特征。将本文算法应用于PASCAL VOC 2007数据集中的部分类别,实验结果显示特征融合的算法能够有效提升检测精度。