稀疏典型相关分析（sparse canonical correlation analysis），理学-统计学-大数据统计分析-数据简化，一种基于稀疏凸优化方法提升传统典型相关分析在高维环境下表现的分析技术。1936年， 美国统计学家H.霍特林（Harold Hotelling）提出了典型相关分析方法，该方法是一种特征提取方法，旨在从两组变量中分别提取一个线性组合作为特征向量，使得该两个特征向量之间的相关系数在所有可能的线性组合中达到最大，并利用这两个特征向量之间的相关系数来反映两组变量之间的整体相关性。然而当两组变量维度较高时，传统典型相关分析方法所求得的特征向量可能具有解释性较差、精确度较低等问题。2011年，D.R.哈顿（David R.Hardoon）和 J.S.泰勒（John Shawe Taylor）引入L1范数正则化，将稀疏表示的理论引入典型相关分析中，提出了稀疏典型相关分析方法。该方法首先将传统典型相关分析的优化目标方程转化为凸最小二乘目标函数形式，随后引入L1范数，对两个特征向量施加惩罚，以得到稀疏化的估计结果。