随着科学技术的快速发展,各个行业每天都会产生海量的数据。并且,数据维度的迅速扩张,造成了数据中噪声、冗余以及不相关特征越来越多,增大了数据处理的难度。因此,有必要对大规模的高维数据进行降维处理。特征选择作为一种常用的降维方法,根据特定的标准在原始特征中选择具有代表性的特征组成子集,从而获得压缩的数据表示。近年来,许多新颖的特征选择算法相继被提出,取得了不错的成绩。但是,这些方法依然存在一些需要克服的局限性,例如,对数据的固有信息利用不充分,对聚类指标矩阵优化不足,忽略数据的全局结构等。针对无监督特征选择问题,本文提出了三种新的算法。本文的主要工作如下:（1）提出了基于双空间潜在表示学习的无监督特征选择算法（DSLRL）。首先,该算法在数据空间和特征空间中构造亲和度矩阵,分别用于表征实例和特征的内部关系。其次,利用亲和度矩阵,该算法同时在两个空间进行潜在表示学习,获得数据和特征的低维潜在表示。然后,该算法采用数据的潜在表示矩阵为特征选择提供聚类指标,并将特征的潜在表示矩阵与稀疏变换矩阵相统一,利用特征与聚类之间的关联信息指导数据矩阵与聚类指标矩阵的匹配。最后,该算法通过非负和正交条件来约束稀疏变换矩阵,使其更准确地反映特征的重要性。（2）提出了基于离散谱聚类和特征权重的无监督特征选择算法（FSDSC）。首先,该算法将回归模型和谱聚类集成在特征选择的框架中,并引入了特征权重矩阵,以其对角元素直观地表示每个特征的重要性,简化了特征评估的过程。其次,该算法对谱聚类方法进行改进,获得了离散的聚类指标矩阵,为特征选择提供了更清晰的指导信息。此外,该算法对变换矩阵施加正交约束用于避免平凡解,并且,正交回归模型与谱聚类方法的联合,较好地保留了数据的局部几何结构。（3）提出了基于图优化和全局约束的无监督特征选择算法（GOGFS）。首先,该算法将图学习嵌入在特征选择的框架中,在特征搜索过程中同步优化相似度图,获得了更可靠的相似度图,较好地保留了局部结构信息。其次,该算法在特征选择的框架中对低维空间的样本施加约束以捕获样本的全局结构信息。局部和全局几何结构通过相互提供互补信息增强了特征选择算法的性能。此外,该算法利用l2,1–norm约束来选出具有判别性的特征。