随着各类数据的大幅度增加，使得数据处理技术遇到了很大的挑战，尤其是图像数据。近年来，图像数据的分析技术已成为研究的热点。在图像识别中，从高维图像数据中提取图像内在特征结构是图像识别最为重要的研究内容之一，因此充分挖掘图像数据的内在特征结构是图像识别的重点。而传统的图像特征提取大多是从颜色、纹理、形状等底层方面进行，却很难提取出嵌入在高维图像数据中的图像高层信息。流形学习理论方法的发展为图像高层信息提取提供了一些方法，因此流形学习和非线性维数约简等理论越来越受到人们的关注。本文以流形学习为基础，主要研究了局部线性嵌入（LLE）算法和有监督的局部线性嵌入（SLLE）算法，并且对LLE算法和SLLE算法进行了比较研究分析。针对两种流形学习算法的不足，构建了改进后的SSLLE流形学习算法。实验结果表明： SSLLE算法可以在一定程度上克服LLE算法和SLLE算法的不足。本文的主要研究工作包括以下几个方面：1.对流形学习的理论方法、研究现状、应用领域进行了探讨，详细地分析研究了LLE算法和SLLE算法的优点与不足。分析总结了图像识别相关理论和现有图像特征的提取方法。2.针对LLE算法和SLLE算法的抗噪性差和重构邻域参数k难确定这两点不足，构建了SSLLE流形学习算法。SSLLE算法通过节点重构使得邻域参数k值自动选取，且其对噪声的敏感性相对于LLE算法和SLLE算法较低，并通过实验予以验证。3.应用SSLLE流形学习算法于图像识别。通过编程实现了图像识别，并且取得了较好的效果。