最近，多种学习在机器学习和相关社区中引起了广泛的兴趣。 本文研究了噪声流形学习问题，这是将流形学习算法应用于实际问题的关键问题。 我们提出了称为RLTSA的LTSA算法的强大版本。 提出的RLTSA算法从三个方面使LTSA具有更高的鲁棒性：首先，采用基于迭代加权PCA的鲁棒PCA算法代替标准SVD，以减少噪声对局部切线空间坐标的影响。 其次，LTTSA选择与本地坐标近似的邻域以与全局坐标对齐； 第三，在对准步骤中，通过将干净数据点和具有不同权重的噪声数据点赋予局部对准误差，进一步减小了噪声对嵌入