近年来,数据表征变得越来越多样化,尤其在模式识别领域,相同对象可以通过不同高维特征空间中的各种特征向量来进行表征。典型相关分析(Canonical Correlation Analysis,CCA)是一种广泛使用的无监督特征学习算法,其在图像特征抽取时,需要将图像的二维矩阵表示转化为一维向量形式。这种转换将会丢失像素的内在空间结构信息,并且增加计算的复杂度。此外,CCA并未考虑训练样本的类标签信息,因此其难以抽取出有判别力的低维特征。鉴于此,本文以多视图数据为研究对象,结合监督学习、模糊集理论和多重集等思想,深入研究了二维CCA的判别型扩展,建立了一套判别型二维典型相关特征抽取算法,并将其运用于图像识别中。本文的主要研究成果与创新工作如下:(1)提出了一种监督二维典型相关特征抽取算法(Supervised Two-Dimensional CCA,S2CCA)。该算法同时将视图间和视图内的样本类标签信息考虑在内,使同类样本间典型投影的相关性最大。S2CCA算法在人脸数据集AR、AT&T和CMU PIE上与原有的二维CCA算法相比,抽取出的特征有更强的判别力,其识别率得到了一定的提高。(2)提出了一种广义模糊二维典型相关特征抽取算法(Generalized Fuzzy Two-Dimensional CCA,GF2DCCA)。该算法根据模糊K近邻思想(FKNN)构建隶属度矩阵,存储所有样本点的类隶属度值。并在此基础上,重新定义了模糊类内散度矩阵和模糊组间协方差矩阵,将模糊样本编码信息嵌入到二维典型相关模型中学习。GF2DCCA不仅考虑了图像矩阵的二维空间结构信息,而且同时考虑了实际观测值属于不同类别的隶属度。实验结果表明,GF2DCCA可以有效地降低计算复杂度,并能最小化图像空间结构信息的损失,尤其在低维空间中能够获得具有较强判别力的二维表示。(3)提出了一种双方向多重集典型相关分析(Double-Directional Multiset CCA,D2MCCA),并在此基础上,借鉴广义典型投影思想,进一步建立了一种判别双方向多重集典型相关特征抽取算法(Discriminative D2MCCA,D-D2MCCA)。D2MCCA将两视图的相关性扩展到了多个视图样本间的相关性,同时考虑了二维图像的行与列空间信息;而D-D2MCCA则引入了训练样本的类标签信息,在抽取多组特征总相关最大化的同时,最小化了类内散度矩阵。实验结果表明,与D2MCCA相比,D-D2MCCA有更好的识别性能。