信息技术的进步促使各个领域都出现了海量高维数据。高维数据包含大量冗余特征与噪声,严重影响了学习任务的效率,降低了算法模型的准确率,因此如何采用降维方法来有效降低数据维数已成为研究热点。特征选择作为一种有效的维数约简方法,因保留了原始特征空间的语义信息而得到了广泛的研究与关注。现阶段特征选择方法已取得良好成效,但仍存在一些不足之处,比如流形结构信息保留不充分、流形结构保留策略对干扰不够鲁棒以及稀疏正则项效果欠佳等。针对这些不足,本文提出了一些特征选择算法来有效克服上述问题。本文研究内容如下:1)提出一种基于稀疏低冗余子空间学习的对偶图正则鲁棒特征选择算法（SLSDR）。首先,SLSDR以基于子空间学习的图正则特征选择框架为基础,并通过引入数据图拓展了这一框架。由于SLSDR同时在数据空间与特征空间构造图,因此可以同时保留数据流形与特征流形的几何结构来指导特征选择的进行。其次,SLSDR使用内积正则项来保证特征选择矩阵行的稀疏性,从而可以选出有代表性且低冗余性的特征。另外,算法使用l_2,1-norm约束子空间学习残差矩阵来保证对outlier样本的鲁棒性。在12个基准数据集上的实验结果表明,SLSDR具有良好的性能。2)提出一种基于自适应结构学习与秩估计子空间学习的无监督特征选择算法（SLASR）。首先,SLASR将自适应流形学习策略引入子空间学习框架,因此不仅保留了局部结构信息,也保留了全局重构信息。得益于自适应流形学习策略的应用,相似度矩阵与低维嵌入的学习可以在同一个步骤中完成,从而相似度矩阵更加准确且对噪声更加鲁棒。其次,算法对拉普拉斯矩阵施加了秩正则项约束,这样就使得流形信息更准确。另外,SLASR采用l_2,1/2-norm来约束投影矩阵,从而选择出稀疏与鲁棒的特征。实验结果也充分表明SLASR比传统的基于固定图的算法更有效。3)提出一种基于自适应对偶图与非凸约束的嵌入特征选择算法（DNEFS）。首先,借助稀疏回归框架,DNEFS同时保留了数据空间与特征空间的流形结构信息。通过引入信息熵原理,对偶图中的局部流形信息可以自适应地学习与更新,因此流形信息更加准确。其次,DNEFS采用新的非凸正则项来保证行的稀疏性。具体的,这一正则项由l_2,1-norm与Frobenius范数的差分构成,并记为l_2,1-2-norm。通过使用这一新正则项,DNEFS可以更好的处理冗余特征。在6个基准数据集上的实验结果表明,提出的DNEFS优于对比算法的性能。