随着互联网和信息科学的迅猛发展,各类智能终端设备广泛应用于日常生活中,其产生的数据呈现出爆炸式的增长。在数据挖掘过程中常常会出现高维的数据灾难,这些数据中存在大量不相关或噪声数据,使用这些数据去训练机器学习模型会导致计算效率低、过拟合等问题,进行数据降维正好能解决这一问题。本文针对不同类型的数据降维方法进行了研究,探讨了算法的运行情况及其应用场景。首先,基于粗糙集理论及其属性约简原理,将其与粒子群的特征子集搜索算法结合起来,引出了基于粒子群的属性约简算法(PSOFS)。然而,粒子群算法在迭代搜索过程中种群的位置信息过于集中,容易导致算法陷入局部最优。因此对粒子更新规则进行了改进,实现了一种基于基因交叉变异更新规则的量子粒子群的属性约简算法(QPSOFS),扩大了算法搜索域,有效避免了粒子群算法中局部最优的缺点,能更好的得到全局最优解。通过UCI经典数据集进行实验,比较了不同算法之间的性能差别,验证了量子粒子群属性约简算法的有效性。其次,基于随机森林的相关理论及其特征重要度定义,讨论了特征重要度对算法相关参数、噪声特征、以及高相关性特征等的灵敏度,验证了随机森林算法特征重要度评估的有效性与稳定性,实现了一种基于随机森林特征重要度的特征选择方法(RFFS)。通过UCI数据集对这一算法有效性进行了验证。最后,进行了算法实例应用的讨论。在面部语义的识别过程中,分别采用PSOFS、QPSOFS以及RFFS算法进行语义特征的提取,选取较优的RFFS算法的结果建立了简单的语义识别规则。在人脸图像分类中,RFFS较好的解决了PCA降维后特征分类准确率较低的问题。通过应用分析充分验证了本文研究算法的有效性。