变量选择，又称特征选择，是信息与模式识别领域的研究热点之一。随着人工智能和计算机技术的迅速发展及应用，变量选择的研究领域不断拓宽，变量选择的方法研究也取得了较大的进展，基于统计方法或机器学习的理论成果不断涌现，其中一些在实际工程应用中已经显示出了巨大的潜力。本文主要研究多元统计回归分析中的偏最小二乘方法用于变量选择。针对过程分析领域与生物信息领域中数据表现出来的高维特点，以基于PLS的变量选择方法和机器学习中的回归算法为基本工具，在对具体应用领域中数据的处理问题和方法加以阐述的基础上，确定了最优分析模型，并对所选择的重要变量做了初步解释，有助于认识研究对象本质或了解生产过程机理，应用结果表明了算法的有效性和实际意义。对于在线过程分析中得到的近红外光谱数据，考虑数据特点，提出基于偏最小二乘的变量加权方法，结合非线性回归分析能力强的高斯过程机器学习算法，解决了在变量数远远高于样本数的情况下，出现的“信息饱和”问题。对于生物信息学中的必需基因识别问题，利用Z曲线分析的方法提取DNA序列特征，在反映基因信息的特征数众多，且存在多重相关性时，提出基于无信息变量消除的迭代特征选择方法，结合偏最小二乘分类器，进行必需基因的识别，并寻找对基因必需性影响重要的特征。