当前计算机技术所应用到的很多领域的数据都具有高维的特点，如计算机视觉与图像处理、信息检索的文本分析、数据挖掘和生物特征识别等。从高维观测数据中发掘其中潜在的有意义的低维数据结构，从而得到其紧致的低维表达，具有重要意义。此外，高维数据往往会导致维数灾难的出现。子空间分类，就是利用维数约简技术将高维数据映射到低维空间，从而在低维空间中对数据进行有效地分类。子空间分类对高维数据的内容或语义理解具有重要价值，是模式识别和机器学习领域的一个重要研究方向，具有重要应用价值和理论意义。　　 本文通过对子空间分类技术进行深入的研究，提出了两种新的维数约简算法，并设计实现了一个应用到人脸识别的分类算法平台系统。本文提出的分类方案依赖模式识别、图像处理、信息处理等技术，利用计算机的强大计算能力，自动完成对算法的测试，具有较高的工作效率和实用价值。　　 本文工作包括以下几个方面：　　 (1)对现有的子空间分类技术进行了深入研究，详细介绍了多种线性、非线性降维的方法，并分析了各种方法优缺点以及适用的场合。　　 (2)针对张量学习过程出现的非鲁棒性、不可重现性，本文提出了一种稳定的可重现的张量子空间学习方法，取得了比较好的识别效果，空间复杂度较小，可以初步用于实际应用。　　 (3)集成鉴别分析中的局部与全局信息，提出一种综合的鉴别矢量投影分析框架，取得了较好的分类效果。　　 (4)介绍了人脸识别系统的设计思路。