在当今数据爆炸的时代,数据降维是机器学习、模式识别以及数据挖掘等领域的共性问题之一。伴随着数据采集相关技术的快速发展应运而生的是大规模的高维数据的出现,普遍存在于数据处理应用过程中。当今数据采集技术的发展水平的仍有局限,数据源种类众多,数据类型也发展的更为多元化,采集阶段会将部分低质量数据比如噪声数据纳入采集结果中。虽然高维数据具有更全面的特征信息,可以更好的去刻画数据内部结构,但是无疑会带来负面的影响,比如更高的运算与存储成本、维度灾难等。所以面对高维数据的处理问题,许多学者致力于使用特征选择方法来实现数据降维。而特征选择是实现数据降维的重要手段之一。针对特征选择有待改进的技术难点,本文的工作针对样本选择与特征选择的有效集成,提出了相应的改进算法,具体如下:（1）提出了无监督对偶特征与样本选择算法。该方法将特征选择过程与样本选择过程有效的整合到一个学习框架中。从样本选择的角度讨论,我们采用经过特征筛选的数据点来进一步选择样本,保证经过特征选择所保留的数据点能够很好的重构数据的原始结构。同样的对于特征选择层面,经过样本筛选过程我们选取信息量最大的样本形成样本集。通过这两个选择任务的共同作用,在特征选择层面与样本选择层面都可以取得较好的性能表现。通过多个基准数据集的性能对比实验,证明该方法的有效性且性能优于许多主流算法。（2）提出了基于局部结构保持策略的对偶选择方法。该方法在无监督对偶特征与样本选择方法的基础上,考虑了局部流形结构对构造数据原始结构的重要性,引入一个局部正则化算子去提取特征的局部判别结构。以更为准确的局部特征保持结构来进一步提升特征选择结果的质量。同时在集成的双向选择框架中,特征选择性能提升也会为样本选择过程带来正面的效果。通过多个基准数据集的性能对比实验,证明该方法的有效性且性能优于前文提出的DFIS方法。设计并开发了一个无监督特征选择算法分析系统。系统包括初始化模块、无监督对偶样本与特征选择算法模块和算法结果展示三个模块。该系统集成了无监督对偶与特征与样本选择算法与其13种对比方法的实验结果,使用者可以选择性能的评价指标和展示形式来进行性能展示。