随着计算机技术的发展,在各种领域如计算机视觉、人脸识别、生物信息以及医学上都面临着高维数据的难题。高维数据中往往包含了冗余信息和噪声。数据降维是将高维数据投影至低维空间并保持数据本身固有的结构,在过去几十年里被众多学者不断地研究并取得了很大进展。在人脸识别中,人脸图像往往由于受到光照,表情和姿势的影响而难以识别,降维算法可以提取人脸图像中有效特征,去除其中的冗余和干扰,提高识别率。本文的主要研究内容包括自适应平均邻域边界最大降维算法(AANMM)以及该算法在人脸识别中的应用,具体内容如下:(1)针对模式识别应用中原始样本数据中含有冗余特征以及噪声导致欧式距离不能准确地度量样本间相似度的问题,提出一种自适应平均邻域边界最大化降维算法(AANMM)。该算法通过迭代学习得到一个最优子空间,然后在这最优子空间中自适应地为每个样本选取近邻样本点。由于原始数据被投影到最优子空间中,那么当中包含的冗余变量和噪声已经被去除。因此在最优子空间中为每个样本寻找的近邻点将会比在原始空间中寻找更加准确,为后续计算同类以及异类样本之间的距离打下基础,从而提高模型的鲁棒性。在6种UCI数据集上实验,AANMM相比较于传统算法均有较好的提高。在物体数据集Coi120上进行实验,AANMM的平均识别率在不同维度的子空间中均有很好的提升。(2)针对人脸识别中的特征提取算法,我们将AANMM算法应用于人脸识别中,并在YALE和AT&T人脸数据集上与其他几种传统算法进行了对比试验验证,结果表明我们的算法在人脸识别中具有更高的平均识别率。