基于流形学习的算法的多线性/张量扩展已广泛用于计算机视觉和模式识别。 本文首先使用对齐技术对最流行的方法的多线性扩展进行了系统分析,从而获得了一个通用的张量对齐框架。 从这个框架中,很容易表明基于流形学习的张量学习方法与对齐技术本质上是不同的。 基于对齐框架,提出了一种鲁棒的张量学习方法,称为稀疏张量对齐(STA),用于无监督张量特征提取。 与现有的张量学习方法不同,引入L-1-和L-2-范数以增强STA对齐步骤中的鲁棒性。 所提出的技术的优点在于,在基于流形学习的张量特征提取算法中,可以避免选择局部邻域大小的困难。 尽管STA是一种无监督的学习方法,但稀疏性会在对齐步骤中对区分性信息进行编码,并提供STA的鲁棒性。 通过将对象图像编码为张量,在知名图像数据库以及动作和手势数据库上进行的大量实验表明,与基于张量的无监督学习方法相比,所提出的STA算法具有最有竞争力的性能。