对于现有的多源自适应学习方案无法有效区分多个源域中的有用信息并迁移至目标域的问题，提出一种具有特征选择的多源自适应分类框架（MACFFS），并将特征选择和共享特征子空间学习整合到统一框架中进行联合特征学习。具体来说，MACFFS将来自多个源域的特征数据投影至不同的潜在空间中来学习得到多个源域分类模型，实现目标域的分类。然后，将得到的多个分类结果进行整合用于目标域分类模型的学习。此外，框架还利用 L _2，1范数稀疏回归代替传统的基于 L ₂范数的最小二乘回归来提高鲁棒性。最后，把多种现有方法在两项任务中与MACFFS进行实验比较分析。实验结果表明，与现有方法中表现最好的DSM相比，MACFFS节省了接近1/4的计算时间，并且提升了大约2%的识别率。总的来说，MACFFS结合了机器学习、统计学习等相关知识，为多源自适应方法提供了一个新的思路，且该方法在现实场景下的识别应用中比现有方法具有更好的性能。

LPI对于局部流形结构是优化的， 但在时空上运行效率较低，使其很难应用于大型数据集。基于LPI算法，提出了一种优化的LPI算法FLPI，它将LPI问题分解为一个图嵌入问题和一个正则最小二乘问题，避免了稠密矩阵的特征值分解，显著减少了计算复杂度。此外，在监督环境下，利用一个特别设计的图，使FLPI只需要解决正则最小二乘问题，进一步减少了时空开销。实时数据集实验结果显示，FLPI获得了相似或优于LPI的结果，且运行速度明显提升。

由于图模型的广泛采用，图数据的快速包容搜索在许多不同领域广泛应用。给定一个模型图集D和一个查询图集q,传统的图搜索旨在检索所有包含q的图(qg)，与此不同，包容搜索有其自身的索引特性，针对这些特性进行系统地研究，并提出一种基于对比子图的索引模型（csgIndex）：使用一个冗余感知特征选择过程，csgIndex能挑选出一个鲜明的具有区分力的对比子图集,并最大化其索引能力。对实时测试数据的实验结果显示，csgIndex对不同的包容搜索荷载能达到近优化修剪力，相较于传统图搜索方法表现出明显的索引性能优势。