机器学习在不同领域的广泛应用往往依赖于大量数据。而在实际应用中,高维数据的存在给不少机器学习任务带来了困难。为了应对这些高维数据带来的挑战,人们提出了很多基于子空间的学习方法,将高维数据表示成低维子空间,通过处理子空间来解决相应的问题。在这些基于子空间的方法中,在格拉斯曼流形上进行子空间学习的方法因为其处理子空间时的高度一致性而备受关注。但是这类方法忽略了子空间表示受到原始数据中噪声干扰的可能。同时,这类表示方法往往缺乏对数据类型的甄别,在降维时剔除了太多信息,从而导致判别学习的准确率下降。本文回顾了基于格拉斯曼流形的判别学习方法,围绕这两类问题进行了进一步的探讨。本文基于序列数据提出了一种带扰动格拉斯曼核的子空间联合局部学习方法,同时考虑子空间潜在的扰动和信息损失以实现在更加稳健和准确的分类器。并在此基础上,本方法给出了一类联合局部扰动核,利用核方法的优势解决判别问题。本文的讨论以人体三维骨架动作识别应用为例,在多个合成或真实的动作识别数据集上进行实验,验证了该方法在多种环境以及不同子任务上都能取得较好的结果。本文的主要工作如下:1.为了更好地分析噪声干扰下的动作识别,本文提出了一个基于真实人物动作进行采集的新数据集。不同于其他动作识别数据集,该数据集加入了若干特定的噪声动作,可专用于受干扰的动作识别任务;2.针对子空间扰动问题,本文系统地介绍了扰动子空间学习,将线性空间中利用边缘损坏特征进行学习的方法推广到非线性空间,在格拉斯曼流形上主动加入噪声进行数据增广,从而提高了子空间学习的稳健性;3.本文提出了一种基于乘积格拉斯曼流形的子空间表示,该表示本质上嵌入了序列的局部时间信息,弥补了降维过程中的信息丢失,显著提高了子空间学习的准确性;4.本文依赖上述表示提出了一种带扰动核的联合局部学习方法用于骨架动作识别,有效利用了噪声干扰和冗余信息,促进了识别的准确性与鲁棒性之间的平衡;5.本文在多个数据集上进行实验,证明了所提出方法在不同环境下是有效的。