现实世界的数据往往是混含有噪声和缺失值的，不同于以往数据降维过程，噪声和缺失值在数据清洗阶段进行处理，本章着眼于保留数据原有特征的前提下，对机器学习的特征降维问题提出了一种新的解决视角。本章基于低秩表达算法和LLE的算法模型，提出了基于稀疏感知的局部线性嵌入算法LLE‑SS。该方法为了既保持原数据流形结构又学习到数据降躁的近邻特征，将原数据经过低秩处理得到的数据作为LLE算法的近邻选择的输入，再将新数据的近邻特征结合原数据进行局部的线性嵌入。在实验部分，本章选取了7个常用的图像数据库作为实验对象，给出了常见特征抽取算法对比LLE‑SS方法的实验结果。实验结果表明，在噪声干扰的情况下，LLE‑SS在学习多流形结构数据的和单流形结构数据上相比较LLE方法具有更佳的可视化效果以及误差收敛性能。