在模式识别学科中,特征选择作为其范畴内的一个重要方向,已经演变成近些年来的学习热点。在现实生活中,科学研究的成果已经渗透到很多行业,并在行业中获得实际应用。在学科研究和现实生活应用中,将会面对和处理庞大的数据。该数据往往样本数不多,但是其数据维数很大并且冗余特征多,对计算机的处理资源和处理实时性是很大的挑战,解决“维度灾难”的问题有非常重要的作用。所以特征选择作为数据处理的重要步骤,发挥关键的作用。由于维度过大的原因,高维数据的回归问题是一个比较大的挑战,一个有效的解决方法就是特征选择。而基于稀疏表示的线性回归已经被证明在处理高维数据时非常有效。传统的稀疏表示的线性回归算法有Lasso算法,Lasso算法通过最小化目标函数,用系数的绝对值作为压缩模型的系数,使得绝对值比较小的系数被压缩为0,这样就可以去掉很多不重要的特征。由于Lasso在特征选择方法上的优点,得到了广泛的认可和使用。为了解决高维数据所面临的特征选择问题,本文是在稀疏表示的线性回归模型上,进一步深入进行研究。结合Lasso线性回归模型,提出了具有辨别信息的特征选择模型,其特征变量与特征变量有很少的重复性,同时特征变量与响应变量存在很大的相关性。同时,基于Lasso模型,提出一种特征交互性特征选择方法。所选择特征体现了协变量和响应集变量高阶交互信息。本文在多个公开的数据集上进行测试。从实验测试结果中可以看出,提出的模型对于特征选择任务的分类准确性有了明显的提升。