现有的非负矩阵分解（NMF）算法往往基于欧氏距离来设计目标函数，对噪声比较敏感。为了增强算法的鲁棒性，提出一种基于干净数据的流形正则化非负矩阵分解（MRNMF/CD）算法。在MRNMF/CD算法中，把低秩约束、流形正则化和NMF技术无缝地融为一体，使算法性能较为优异。首先，通过添加低秩约束，MRNMF/CD可以从噪声数据中恢复干净数据，并获得数据的全局结构；其次，为了利用数据的局部几何结构信息，MRNMF/CD把流形正则化融入目标函数中。此外，还提出了一种求解MRNMF/CD的迭代算法，并从理论上分析了该求解算法的收敛性。在ORL、Yale和COIL20数据集上的实验结果表明，MRNMF/CD算法比现有的k-means、主成分分析（PCA）、NMF和图正则化非负矩阵分解（GNMF）算法具有更好的识别准确性。
