随着互联网时代的高速发展,对海量数据的存储和分析变得越来越重要,也涌现了很多的技术对海量数据进行存储和分析的计算。另一方面,我们同时也可以通过数据降维算法来有效的降低数据的维度来从另一个维度简化计算。在真实世界中,数据常常是高维的,但是隐藏在这些高维数据后面的反映数据本质的结构可能常常仅由少量的一些参数决定。随着近年来模式识别和计算机视觉领域的快速发展,越来越多的应用涉及到了高维数据的降维问题。比如在人脸识别应用中,一副人脸图像通常具有成千上万维的特征,但是这其中包含了大量的冗余信息,隐藏了很多重要关系之间的相关性,并且这会增加后续训练分类器的难度,造成所谓的维数灾难。以上所有这些挑战也促进了数据降维技术的发展,近年来涌现了许多的数据降维算法,比如局部保持投影(LPP),近邻保持嵌入(NPE),和近年才出现的稀疏保持投影(SPP)等线性降维方法,局部线性嵌入(LLE)等非线性降维算法以及他们的改进算法,比如kernel NPE等。人脸图像空间普遍被认为是一个线性空间,许多非线性的降维算法仅仅在人造数据上表现的不错,所以本文将重点研究基于子空间的线性降维算法,特别是近邻保持嵌入(NPE)和近些年刚出现的基于稀疏表示的投影算法,并对这两种方法进行改进一定的融合,实验表明融合改进后的方法比一些经典的非监督算法效果要好。