基于图正则非负矩阵分解（NMF）算法充分利用了高维数据通常位于一个低维流形空间的假设从而构造拉普拉斯矩阵，但该算法的缺点是构造出的拉普拉斯矩阵是提前计算得到的，并没有在乘性更新过程中对它进行迭代。为了解决这个问题，结合子空间学习中的自表示方法生成表示系数，并进一步计算相似性矩阵从而得到拉普拉斯矩阵，而且在更新过程中对拉普拉斯矩阵进行迭代。另外，利用训练集的标签信息构造类别指示矩阵，并引入两个不同的正则项分别对该类别指示矩阵进行重构。该算法被称为图学习正则判别非负矩阵分解（GLDNMF），并给出了相应的乘性更新规则和目标函数的收敛性证明。在两个标准数据集上的人脸识别实验结果显示，和现有典型算法相比，所提算法的人脸识别的准确率提升了1% ~ 5%，验证了其有效性。
