特征选择可有效地加快学习过程、提高模型的泛化能力和学习精度,因此,特征选择已经成为了机器学习任务中一个重要的数据预处理过程。近年来,特征选择方法已取得了长足进展,其研究主要聚焦于扁平化数据,即将所有的数据等同看待,不考虑数据间的结构关系。但是,大数据时代不仅带来了数据样本数量、特征维度及类别种类的快速增长,而且数据间也往往蕴含着丰富的层次结构关系。如何充分挖掘和利用大数据的这些层次结构信息来进行特征选择是机器学习和数据挖掘的重要挑战。因此,本文聚焦于面向层次结构数据的特征选择方法研究,包括以下三个方面的研究内容:（1）面向特征层次结构的自适应邻域粗糙集特征选择:针对基于邻域粗糙集的特征选择方法中邻域大小固定不变的问题,通过利用正态分布3σ统计规则的多层次置信度所描述的数据精度自适应地定义邻域大小,提出了基于特征多层次置信度的自适应邻域粗糙集模型,同时通过权衡测试代价和误分类代价设计了一种面向特征层次结构的自适应邻域粗糙集特征选择快速回溯算法。（2）面向类别层次结构的模糊粗糙集特征选择:针对基于模糊粗糙集的特征选择方法忽略类别间层次结构关系的问题,提出了面向类别层次结构的模糊粗糙集计算模型,用于计算具有类别层次结构数据的上下近似。模型分别考虑了类别层次结构的包容关系及兄弟关系,并设计了相应的特征选择方法,有效地减少了经典模糊粗糙集异类样本的搜索范围。（3）面向分类任务层次结构的递归正则化特征选择:针对目前多数特征选择方法忽略分类任务的层次结构,选择一个特征子集来区分所有类别的缺陷,通过引入分治法将层次分类任务根据层次关系分而治之,提出了面向分类任务层次结构的递归正则化特征选择方法。通过引入分类任务间的父子关系、兄弟关系、家庭关系来优化分类任务层次中各子任务所选特征,进而完成特征选择。所提出的三种方法验证了挖掘数据层次结构是提高大数据分类任务中特征选择效果的有效手段。