随机邻域嵌入（stochasticneighborembedding，SNE）算法在欧氏距离基础上定义了邻域概率函数，是一种基于数据间相似度的降维方法。针对欧氏距离在高维数据空间中不能提供较大的相对距离差、无法明显体现高维数据对象之间差异性的问题，提出一种基于Manhattan距离的随机邻域嵌入（Manhattan-SNE）算法。采用Manhattan距离衡量高维数据对象之间的相异度，得到高维空间和低维空间数据对象之间相似度的条件概率，嵌入目标是使得高维空间和低维空间的分布形式尽可能一致，选择KL散度作为算法的目标函数，通过梯度下降法寻找目标函数的最小值，从而得到算法的低维嵌入。测试与实验分析结果表明：所提算法的平均分类正确率有明显提高，证明了改进算法的有