Esta tesi reunix diverses contribucions al reconeixement estadístic de
formes, les quals estan orientades particularment a problemes en què
els vectors de característiques són d'una alta dimensionalitat.
Específicament es tracten tres escenaris del reconeixement de formes:
classificació de patrons, anàlisi de regressió i fusió de valors.  Per
a cadascun d'aquests, un algorisme per a l'aprenentatge d'un model
estadístic és presentat.  Per a poder abordar les dificultats que es
troben quan els vectors de característiques són d'una alta
dimensionalitat, models i funcions objectiu adequades són definides.
L'estratègia d'aprendre simultàniament la funció de reducció de
dimensionalitat i el model de reconeixement demostra ser molt
efectiva, fent possible l'aprenentatge del model sense haver de
rebutjar a cap informació discriminatòria. Un altre tema que és
tractat en esta tesi és l'ús de vectors tangents com una forma per a
aprofitar millor les dades d'entrenament disponibles.  Es mostra que
l'aplicació d'esta idea a dos mètodes populars per a la reducció de
dimensionalitat discriminativa efectivament millora els resultats.
Per a cadascun dels algorismes proposats al llarg de la tesi, diversos
conjunts de dades són usats per a il·lustrar les propietats i les
prestacions de les tècniques aplicades. Els resultats empírics mostren
que les dites tècniques tenen un rendiment excel·lent, i que els
models apresos tendixen a ser prou eficients computacionalment.