典型相关分析（Canonical Correlation Analysis, CCA）[5]是一种常用的多元统计方法，主要用于研究两组变量间的相关关系，获得两组变量之间的内在联系，并用于对变量的进一步处理和分析。CCA的思想是1936年由H.Hotelling首次提出的。最初H.Hotelling是为了研究大学生的“大学表现”和“入学前成绩”之间的关系、政府政策变量与经济目标变量之间的关系等实际问题中两个变量之间的相关关系而提出了典型相关分析的思想，但随后便引起了研究者们的大量关注和讨论，比如： Borga将CCA在多文信号处理与学习领域进行应用，并基于Rayleigh商和广义特征值问题建立了CCA与PCA、MIR以及PLS的统一模型；Sargm等人利用CCA进行语音识别；同时Bruguier等人基于CCA对人脑行为的fMRI数据进行集成分析，均获得了令人满意的结果。自Sun等人2005年提出基于CCA的思想利用特征融合进行多特征的特征抽取方法后，CCA在模式识别等相关领域被越来越的予以关注和研究。19356
由于CCA本身是无监督学习，为了引入监督信息，广义典型相关分析（Generalized Canonical Correlation Analysis, GCCA）[9]、判别型典型相关分析（Discriminative Canonical Correlation Analysis, DCCA）[10]等方法被陆续提出。同时由于典型相关分析其本质是线性特征抽取方法，并不能很好的刻画两组变量间的非线性关系。为改善这一问题，人们将核的思想引入到CCA中，借助于核技巧，用线性的方式来提取非线性的特征。随后核典型相关分析（Kernel CCA, KCCA）[11]、核鉴别典型相关分析（Kernel Discriminant Canonical Correlation Analysis, KDCCA）[12]、局部鉴别典型相关分析（Local Discriminative Canonical Correlation Analysis, LDCCA）[13]、局部保持典型相关分析（Local Preserving Canonical Correlation Analysis, LPCCA）[14]等一系列算法被提出，并在实际应用过程中均取得良好的分类识别效果。 典型相关分析研究现状:http://www.youerw.com/yanjiu/lunwen_10671.html