面对海量数据导致的信息超载和维度增加的问题,特征降维在计算机视觉、数据挖掘等领域中的重要性日益凸显,已成为当前学术界的研究热点。降维的目的是从数据中去除大量冗余信息并且寻找到有用的本质特征,然而实际中,单一视角上的特征并不能全面反映原始样本的信息,而在多视角特征上进行融合则可以反映样本的不同属性和互补信息。本文立足图嵌入框架,分别从单一视角和多视角上研究了特征降维问题,所取得的研究成果如下:首先,本文从统一的图嵌入框架研究了经典的单视角子空间投影算法,指出传统图嵌入框架的两个主要缺点,即没有考虑理想嵌入子空间与实际嵌入子空间的差距,且本征图和惩罚图均基于高维输入数据构建,因而只能反映原始空间的分布信息。因此,本文首先构建了具有结构保持特性的新型图嵌入框架,这种基于实际子空间的构图方法(AGE)取得了高于传统算法的分类性能;进一步,为设计理想子空间,本文引入类标信息构建了类标图,并通过脊回归来建模实际嵌入子空间与理想嵌入子空间的误差。这种融合类标图的图嵌入降维方法(AIGE)不仅具有闭式解的优点,而且所得的投影子空间能够最大限度地逼近真实子空间。标准图像数据库上的实验结果表明,所提算法不仅具有与经典子空间投影方法相仿的计算效率,而且具有更优的识别性能。其次,针对现有多视角方法忽视了同一视角特征中样本类间局部判别信息的不足,本文提出了基于图正则化的多视角降维方法(MGRDA)。它通过构造三个连接图即固有图、局部惩罚图、全局惩罚图来分别考虑类内信息、局部类间信息和全局判别信息,并通过鉴别型典型相关分析(DCCA)保持每对视角之间的相关性和类别结构。进一步,本文也给出了MGRDA的核扩展算法(KMGRDA)。图像和文本的多特征数据上的实验结果表明,MGRDA和KMGRDA具有比传统的多视角降维方法更好的识别性能,有效地融合了各视角的互补信息。最后,本文将单视角方法AIGE和多视角方法MGRDA应用于雷达辐射源个体特征的降维和融合上,基于实测数据的实验结果表明,所提降维算法能显著提升辐射源个体特征的判别能力和特征融合效果。