在当前计算机领域，需要处理的数据维数越来越高，作为一种有效的降维方法，特征选择得到越来越多的关注。　　本文回顾了常见的几类特征选择方法:基于判别性信息的特征选择、保持空间结构的特征选择、基于范数最小化的特征选择等。其中，范数最小化技术因为其灵活性和易扩展性，得到广泛应用。本文基于这一技术，提出两种特征选择的方法。　　首先，本文考虑了数据之间的关系，即数据间的判别性信息以及核空间数据间的距离信息:对于无标签数据，如果能够利用判别性信息，结果便能够得到进一步改善。而对于非线性数据，因为它在核空间下会有更好的分离性，若能够直接在核空间选择特征则更加自然。基于此，本文利用L2,1范数最小化，提出一种可以利用判别性信息的核空间特征选择方法。　　另外，本文考虑了特征之间的关系，即特征点的空间连通性。在医学图像领域，起作用的特征往往具有空间连通性。因此，本文基于L2,1范数最小化，还提出了一种考虑空间连通性特征选择的多任务学习方法。它基于体素特征在大脑空间中的距离关系，构造出特征关系图，选择出空间连通的特征点;并采用任务图结构包含了任务之间的关联信息。