特征提取作为模式识别领域的一个重要分支,现在已经引起了广泛关注,并且在很多领域已经得到了应用。随着技术的发展,特征提取方法也是层出不穷。不相关最佳鉴别矢量集(UODV)方法就是其中一种非常重要的方法。传统方法是通过迭代法进行求解,随着训练样本数的增长,计算成本大幅增加,这就限制了该方法的进一步应用。而且我们也知道,虽然对于单个的鉴别向量都可以使目标函数最大化,满足Fisher准则,但是最后我们的到的鉴别矢量集却并一定是最优解。因此,在此基础上,本文中我们提出了新的基于广义奇异值分解的统计不相关最佳鉴别矢量集方法,即GSVD-UODV。通过应用该方法,既可以避免矩阵奇异问题,也可以一次性求得投影向量,大量的节约了在迭代过程中所浪费的时间,有着很高的应用价值。最后得到的鉴别向量,我们再用总体散度矩阵对其进行约束,就得到了我们的统计不相关投影向量。为了使我们的方法在更多领域具有应用价值,我们还将其在非线性空间做了更进一步的扩展,在原有方法的基础上,对其进行了核化,也就是我们第四章所给出的基于广义奇异值分解的核统计不相关最佳鉴别矢量集方法。在该部分,我们给出了核化后详细的推导公式和定理。最后在实验部分,针对传统的迭代法所具有的一些缺点,我们在AR和CAS人脸数据库上进行了大量有针对性的实验,通过比较它们的识别效果和计算过程中所消耗的时间,更进一步证明了我们的理论的正确性。我们的方法和UODV方法比较,直接求出鉴别向量,避免了逐步迭代,识别率大幅提高的同时,大大降低了计算成本。