中文摘要：

机器学习的基本目的之一是发现观察对象之间隐含的各种关系。典型相关分析(CCA)是研究两组观察样本之间相关关系的有力工具，通过寻找两个线性变换来抽取特征，CCA 在较低维的空间中研究二者之间的线性相关关系；并利用这种相关关系来进行回归建模、预测等工作。此外，利用CCA 抽取不同模态的特征进行信息融合也是提高模式识别性能的一个新的途径。本项目重点对CCA 的如下关键问题进行研究1)构建新的信息融合方法并将其用于多模态识别；2)研究构建基于CCA的建模回归方法，并将其应用于容许有样本缺失的回归建模和预测问题；3）寻找消除CCA 过拟合问题的有效途径。另外，根据我们已有的研究基础，我们将本课题中某些研究思路进行推广并与流形学习、特征提取、最优化问题等领域相结合，扩展了与之有关的算法及其应用方面的研究。