在许多的计算机相关领域中,比如:机器学习,数据挖掘和计算机视觉,特征选择是关键的同时具有挑战性的任务。它的目的是在原始数据的特征中找到一个特征子集。同时希望这个子集中的特征能有利于后续的数据处理。在特征选择领域中,无监督特征选择和代价敏感特征选择是两个重要的课题,并且在近年来引起了学者们的广泛关注。在本文中,对于上述两个课题中,各有一个新的特征选择算法被提出。这两个算法的细节如下:1.对于无监督特征选择,在本文中,特征差异矩阵被提出并用于分析样本之间的差异度,基于这个矩阵一个高效的无监督特征选择算法被提出,称之为基于最大角度的无监督特征选择算法。这个特征选择方法通过特征差异矩阵的自我表示来从更为全面的角度选择特征,因此这个算法选择的特征能够尽可能多的包含样本的分辨信息。另外,为了使自我表示模型有效和去除噪声特征,L₂₁范数规则化被加入到了目标函数当中。2.对于代价敏感特征选择,在本文中,样本间的代价距离被定义,基于这个距离,通过结合稀疏回归和流形学习,一个新的代价敏感特征选择方法被提出,称之为基于流形学习的代价敏感特征选择算法。以前提出的代价敏感特征选择算法只考虑到了特征与误分类代价的关系,忽略了特征与特征之间的分辨关系。而本文中新的代价敏感特征选择算法不但考虑了特征与误分类代价的关系而且还通过基于流形学习的稀疏回归考虑了特征之间内在的判别信息,从而提高了代价敏感特征选择的效果。