特征选择技术是数据预处理步骤中最重要的操作之一,它可以提高数据分析中聚类、分类和信息检索等任务效率。现如今大数据时代的到来,各个领域的数据信息呈喷发式增长,导致越来越多高维的数据集出现。此时,数据预处理过程中利用特征选择去除与后续算法不相关的特征或冗余特征就显得尤为重要。有监督和半监督的特征选择方法的研究往往依赖样本的类别信息,而现实环境中数据的类别信息获取通常很困难。因此,不需要依赖标签信息的无监督特征选择更适用于实际应用中。粗糙集与模糊粗糙集是有效处理不确定性数据的工具。它们在分类和有监督特征选择等研究方向已经发挥了重要作用,但在无监督特征选择中的研究目前还较少。本文首先在粗糙集与模糊粗糙集的理论基础上针对离散型和实值型数据分别提出非一致性度量方法DAM。该度量目的是度量特征之间的差异程度,或者理解为度量特征间所携带信息的不相关程度。然后,本文基于DAM值提出无监督特征选择算法DAMUFS应用于离散型数据集和实值型数据集。本文无监督特征选择算法属于属性添加的过程,利用DAM值评估属性与特征子集所携带信息的差别选择特征。DAMUFS算法在特征选择过程中不但可以选择出包含信息量多的特征子集,而且还尽可能减少特征子集中的冗余信息。最后,本文进行实验评估DAMUFS无监督特征选择算法的性能。实验中,采用十种离散型数据集和十种实值型数据集。将DAMUFS算法分别与一些现有的无监督特征选择算法和有监督特征选择方法进行对比,比较各个特征选择算法的结果应用在多种分类器上的分类准确率。实验结果证明本文无监督特征选择DAMUFS算法的整体性能不仅优于目前现有的一些无监督特征选择算法,而且本文算法的特征子集分类性能并不比经典的有监督特征选择算法差,甚至优于某些算法。