針對訓(xùn)練樣本不足時(shí)，對數(shù)據(jù)的低維子空間估計(jì)可能會產(chǎn)生嚴(yán)重偏差的問題，提出了一種基于QR分解的正則化鄰域保持嵌入算法。首先，該算法定義一個局部拉普拉斯矩陣保留原始數(shù)據(jù)的局部結(jié)構(gòu)；其次，將類內(nèi)散度矩陣的特征譜空間劃分成三個子空間，通過倒數(shù)譜模型定義的權(quán)值函數(shù)獲得新的特征向量空間，進(jìn)而對高維數(shù)據(jù)進(jìn)行預(yù)處理；最后，定義一個鄰域保持鄰接矩陣，利用QR分解獲得的投影矩陣和最近鄰分類器進(jìn)行人臉分類。與正則化廣義局部保持投影（ RGDLPP）算法相比，所提算法在ORL、Yale、FERET和PIE庫上識別率分別提高了2個百分點(diǎn)、1.5個百分點(diǎn)、1.5個百分點(diǎn)和2個百分點(diǎn)。實(shí)驗(yàn)結(jié)果表明，所提算法易于實(shí)現(xiàn)，在小樣本（sss）下有較高的識別率。