对于一个数据集,数据间的稀疏重构关系具有很好的分类信息。稀疏保留投影(SPP)正是基于这样的考虑所提出的一种特征提取方法,它的目标是获取一组线性的投影变换空间,使得样本之间这种全局稀疏重构关系得以保留。然而,稀疏保留投影得到的投影空间通常并不是正交的,而正交变换一直以来被认为是提高鉴别能力的很有用的手段。因此,本文提出了正交的稀疏保留投影及两种实现的算法以获得正交的投影变换空间,第一种是整体正交稀疏保留投影(HOSPP),第二种是迭代正交稀疏保留投影(IOSPP)。整体正交稀疏保留投影方法通过替换正交约束直接计算出正交投影空间,而迭代正交稀疏保留投影则是在保留原有约束的情况下,通过迭代的方式一一求出正交投影向量。整体正交稀疏保留投影(HOSPP)和迭代正交稀疏保留投影(ⅠOSPP)主要关注的是样本间的全局稀疏重构关系。然而实际应用中,图像数据往往处于一种高维空间的低维流形结构中。进而,我们在目标函数中引入了近邻结构图,使得求得的投影变换在最好的保留稀疏重构关系的同时也可以很好的保留样本的空间流形结构。类似的,该方法也分为基于流形学习的整体正交稀疏保留投影(MLHOSPP)和基于流形学习的迭代正交稀疏保留投影(MLIOSPP)。上述两种方法本质上是无监督的算法,有监督的子空间算法可以更好的利用标记信息获得更加有效的鉴别特征,从而提高识别率。因此,我们提出了基于流形学习的整体正交稀疏保留鉴别分析(MLHOSDA)和基于流形学习的迭代正交稀疏保留鉴别分析(MLIOSDA)。该算法利用有类标记的样本直接修正构建的稀疏重构图和邻接图,在原方法中自然的融入监督信息。进而我们又提出了一种复数融合的方式在近邻结构图中将角度距离和欧式距离进行融合来构造近邻结构图,命名为基于复数局部保留的整体正交稀疏保留鉴别分析(CLPHOSDA)基于复数迭代保留的整体正交稀疏保留鉴别分析(CLPIOSDA)。在实验部分,我们在三个数据库,即Yale人脸数据库,CAS-PEAL人脸数据库和PolyU掌纹数据库上将提出的所有算法与已有的经典算法做测试。实验结果证实了我们方法的有效性。