La idea principal del análisis de componentes principales (PCA) es transformar el problema del espacio de alta dimensionalidad en un espacio de baja dimensionalidad, y obtener el conjunto de muestras de salida después de una serie de operaciones en las muestras. Sin embargo, la precisión del método tradicional de análisis de componentes principales en la reducción de dimensiones no es muy alta, y es muy sensible a los valores atípicos. Para mejorar la robustez del reconocimiento de imágenes al ruido y la importancia de la información geométrica en un espacio de datos dado, este artículo propone un nuevo modelo de extracción de características no supervisado basado en PCA de norma y método de aprendizaje de variedades.