由于科技的发展,高维数据迅速出现在各行各业。噪声、冗余特征也随之而来,这加大了数据处理的工作量和难度。因此,数据降维是必须的。由于可以保留原始的特征,特征选择成为了降维的更佳选择。近年来,无监督特征选择算法越来越多,并且都取得了不错的效果。但是这些算法仍存在一些问题,比如伪标签间的相互影响被忽略、数据间的链接信息没有被充分利用以及使用谱聚类时不能保证伪标签的非负性等。为了解决这些问题,本文提出了三种新的特征选择算法。本文的主要研究内容为:（1）提出了一种基于非凸约束和拉普拉斯嵌入的潜在表示学习的特征选择算法。首先,该算法通过构造潜在特征图,来保留伪标签间的相互信息。其次,潜在表示学习是在由潜在特征空间和数据空间组成的空间中进行的。因此潜在表示考虑了伪标签之间的互连信息,潜在表示空间中包含的信息更加完整。此外,为了充分利用伪标签,将学习到的潜在表示矩阵作为伪标签信息,在潜在表示空间中提供聚类标签,指导特征选择。最后,将非负约束和l2,1-2-norm非凸约束应用于特征变换矩阵,以保证特征变换矩阵的行稀疏性,选择低冗余特征,提高特征选择效果。（2）提出了一种基于稀疏潜在表示和扩展OLSDA的非相关特征选择算法。首先,该算法通过潜在表示学习保留数据本身之间的互连性,保留数据之间的内在信息。为了去除冗余的互连信息,对潜在表示学习的残差矩阵施加l2,1-norm约束。其次,该算法通过嵌入非负流形结构的最小二乘判别分析,获取非负伪标签,并且消除拉普拉斯矩阵对特征选择的影响。此外,将潜在表示和最小二乘判别分析联合作用的矩阵作为伪标签信息,来保证伪标签更接近真实类标。最后,为了选择不相关的特征,对特征变换矩阵施加不相关约束和l2,1-norm约束。（3）提出了一种基于中心点链接信息和稀疏潜在表示的鲁棒特征选择算法。首先,通过中心矩阵构造链接图,保留样本到中心点的距离信息,从而保留样本之间的相似性。其次,该算法利用数据图和链接图构成一个双图结构,保留样本间的链接信息和流形结构。然后,通过稀疏潜在表示保留样本之间的互连信息,保留稀疏不冗余的互连信息。并且通过中心点链接信息和稀疏潜在表示结合,保留的数据之间的隐藏信息更加全面。最后,为了选择鲁棒且稀疏的特征,该算法通过约束条件l2,1/2-norm对特征变换矩阵进行约束。