از زمان ساخت اولین رایانه ها، همواره تلاش متخصصان این حوزه بر این موضوع معطوف بوده است که چگونه می توان با استفاده از الگوریتم های مختلف، کارایی رایانه ها را در پردازش حجم وسیع داده ها افزایش داد به گونه ای که با صرف زمان و منابع کمتر، بتوان داده ها را با دقت مناسبی پردازش کرد. با افزایش روز افزون حجم داده ها و نیز حجم نویز موجود در آن ها، متخصصان به این نتیجه رسیدند که لازم است داده ها نیز برای ورود به الگوریتم ها پردازش شوند. این مرحله را پیش پردازش داده ها می نامند. یکی از مهم ترین پیش پردازش هایی که امروزه در حوزه های مختلف علوم مورد استفاده قرار می گیرد، کاهش ابعاد داده ها است. استخراج ویژگی یکی از روش های کاهش ابعاد داده است و به مجموعه روش هایی اطلاق می شود که با انتخاب ترکیبی از ویژگی های موثر در داده ها، سعی در کاهش تعداد آن ها و در نتیجه کاهش پیچیدگی داده ها دارند. به منظور استخراج ویژگی از داده ها، روش های متنوعی وجود دارد که به دو دسته کلی روش های آماری و روش های مبتنی بر احتمالات طبقه بندی می شوند. در روش های آماری تنها از معادلات جبری برای به دست آوردن یک فضای جدید استفاده می شود که حجم داده ها با نگاشت به این فضای جدید کاهش می یابد. روش های مبتنی بر احتمال با اضافه کردن نویز به مدل و با در نظر گرفتن توزیع های احتمال برای پارامترها، سعی می کنند تا فضای جدید را به دست آورند. یکی از روش های استخراج ویژگی آماری پرکاربرد روش تحلیل همبستگی های پایه است. در این تحقیق به بررسی روش های استخراج ویژگی و به خصوص روش تحلیل همبستگی های پایه و نسخه های مختلف آن شامل تحلیل همبستگی های پایه مبتنی بر احتمال و تحلیل همبستگی های پایه دو بعدی پرداخته می شود و یک نسخه مبتنی بر احتمال به همراه مدل ترکیبی آن برای روش تحلیل همبستگی های پایه دو بعدی ارائه می شود. با مقایسه روش استخراج ویژگی ارائه شده با روش های مورد بررسی در این پایان نامه در کاربرد شناسایی چهره، دقت کاربرد با استفاده از روش پیشنهادی افزایش یافته است.