自本世纪初以来,流形学习作为一种有效的数据降维方法越来越受到学者们的重视。局部线性嵌入算法(LLE)作为引领流形学习快速发展的降维方式之一,它能有效的解决数据“维数灾难”问题,但是仍然不能很好的处理稀疏、非均匀数据集,为了更大程度的提升LLE算法处理数据的能力、提高降维效果,我们提出了基于局部线性嵌入算法的改进方法,主要研究点如下：首先,提出了基于高斯核函数的局部邻域优化方法,传统局部邻域选择方式存在邻域选取过大或过小的问题,我们引入高斯核函数,通过在核空间内结合样本的类别信息来改进样本距离度量方式,以相似性度量函数来实现局部邻域选择方法的改进。其次,提出了基于样本密度信息的权重向量的改进,重构权重向量的选取对算法结果影响非常大,但是传统的局部线性嵌入算法在计算重构权重向量的时候并没有考虑到样本密度和流形弯曲度这两个因素的影响,我们结合样本密度信息和流形弯曲度信息对权重向量的选取方案作进一步改进,使算法对样本的密度具有较强的鲁棒性。最后,我们提出了对算法两个主要问题的联合优化,传统局部线性嵌入算法通过保持权重向量不变,把高维空间数据嵌入到低维空间,以此来保证数据的近邻特性,这样权重向量就简单的由高维源数据空间决定,然而考虑到权重向量可以由高维源数据空间和低维目标数据空间共同决定,该方法仍有较大的改进空间,所以我们对算法流程进行了改进并且通过实验证明了改进方法的有效性。