针对大数据集情况下标准广义判别分析(GDA) 方法进行非线性特征提取时计算复杂度较高的问题, 提出了 基于GGDA(greedy GDA) 的训练数据减少和非线性特征提取方法. 该方法用greedy 核主成分分析方法的greedy 技 术对训练数据选取子集; 然后用GDA方法对子集而不是全部训练数据训练特征提取模型; 并用几种特征提取的数据 进行分类对比实验. 实验结果表明, GGDA和GDA方法的特征提取性能优于其他对比方法, GGDA方法不仅较好地 保持了GDA方法的特征提取性能, 而且减少了大数据集进行非线性特征提取的计算复杂度.