流形学习假设高维数据存在嵌入到高维空间中的低维(本征维度)流形,因而可对数据进行降维处理,揭示其内在性质。在本征维度下,更易研究高维数据的性质。研究发现,本征维度的估计影响着流形学习方法的效率。针对这一问题,本文提出了无监督相似流形学习算法。本文的主要工作如下:(1)提出了基于无监督图嵌入投票集成的相似流形学习算法。该算法在无监督大规模图嵌入的基础上,获得高维数据的多个相似低维流形嵌入,并采用K-means方法对这些低维嵌入进行聚类。随后采用简单投票原则对多个子聚类进行融合,得到最终聚类结果。在5个图像数据集上的实验体现了该算法的高效性。(2)提出了基于聚类集成的相似流形学习算法。该算法对基于无监督图嵌入投票集成的相似流形学习算法进行改进,使用K-means生成更具有代表性的锚点。我们发现从相似度矩阵的特征向量中可直接得到低维流形嵌入。在此基础上,获得多个相似低维流形,并采用简单投票原则得到最终聚类结果。实验表明基于聚类集成的相似流形学习算法有明显的优越性。(3)提出了基于选择聚类集成的相似流形学习算法。在基于聚类集成的相似流形学习算法的基础上,该算法首先通过改进的层次平衡K-means方法生成锚点并计算相似度矩阵。其次计算得到原始数据在不同维度下的相似低维流形嵌入。对于低维嵌入的聚类结果,计算归一化互信息作为权重来衡量子聚类的重要性。最后,舍弃权重较低的子聚类并采用基于权重的选择性投票方案来获得最终聚类结果。该算法避免了对本征维度的估计并优于其他对比算法。大量实验体现了该算法的性能。综上所述,相似流形学习通过对多个低维相似流形的研究来探究高维数据的内在性质。通过集成学习对多个相似低维流形嵌入进行融合,相似流形学习方法不仅避免了对高维数据本征维度的估计,同时也提升了无监督学习的性能。