随着大数据时代的到来,特别是智能数据的兴起,图像数据不仅仅成为海量的深数据,还进一步成为了高维的宽数据。面对如此海量、高维的大规模图像数据,如何快速且有效地对其进行检索、分类并且能够从中提取有利用价值的内容,已经成为了现代科技社会研究的热点。而图像特征表示与分类技术作为机器学习和数据挖掘等领域的重要组成部分也已经被广泛地应用于诸多领域。在现有的矩阵分解技术中,非负矩阵分解(NMF)作为数据表示的一种有效方法已经获得了广泛地关注和深入地研究。因此,对NMF进行探索具有一定的实际意义。本文在NMF算法的基础上,主要研究如何将多种约束施加于NMF框架中、如何有效地融合NMF分解的特征以及如何更好地将NMF算法与图像分类相结合。针对以上的研究内容,本文提出了3种改进的NMF方法:(1)基于图正则化和稀疏约束的增量型非负矩阵分解算法。该算法既保留了几何的部分结构,又充分利用上一步的结果增量地学习,同时对系数矩阵施加稀疏性限制,最后将其整合于同一个目标函数中,在降低运算时间的同时,还具有较好的分类准确率;(2)基于特征融合的多约束非负矩阵分解算法。该算法在各种约束的基础上不仅考虑了少量已知样本的类别信息和稀疏约束,还对其进行了图正则化处理,而且将分解后的具有不同稀疏度的图像特征进行了融合,从而增强了算法的聚类性能和有效性;(3)基于双图正则的半监督非负矩阵分解算法。该算法同时考虑了数据流形和特征流形的几何结构,并且将已知的标签信息约束到NMF中,在改善学习质量的同时极大地提高了算法的识别性能。本文分别对提出的三种改进的算法进行了收敛性、稀疏性和识别性的验证,并在常用的人脸及物体数据集上证明了三种方法的可行性,根据实验结果可以进一步分析出三种新方法的有效性。最后,对三种算法的聚类效果进行了比较,结果显示基于双图正则的半监督非负矩阵分解算法最优。