作为模式识别中的关键技术，特征提取的好坏直接影响后续的分类效果。特征提取的主要任务就是从众多数据特征中提取出最有效的特征，从而达到可视化或降维的目的。针对传统的一维特征提取方法的高计算量和破坏图像内在结构的缺陷，本文研究了基于张量子空间的图像特征提取方法。首先，提出了基于对称信息矩阵的特征提取方法，该方法通过自定义参数控制原始图像和对角图像所占的比重，既得到了对称的图像信息矩阵，又克服了对角图像破坏图像结构的缺点，充分利用了原始图像和对角图像的互补性。其次，改进了二维线性判别分析算法，提出了最大边缘二维移位判别分析算法，增加了邻近不同行间的协方差信息，降低了特征系数的数目，并通过最大边缘准则的调节获得了最优的投影子空间；然后将该方法采用级联的方式扩展到双边形式，同时考虑了不同行间和列间的协方差，从而充分挖掘了图像的局部结构信息，进一步提升了识别效果；将这一思想推广到局部保持投影算法中，既保留了样本间的局部结构信息，也增加了图像像素间的局部信息，从而获得较稳定且有效的二维特征提取算法。最后，将基于二阶张量的变形判别分析推广到高阶张量空间，所得方法可以直接作用于高阶张量数据，避免了传统一维方法需要将高阶张量数据转化为矢量形式的操作，既保留了原始数据的结构信息，又降低了算法复杂度，实验结果证明了该方法的有效性。