随着大数据时代的来临,需要分析处理的数据程指数型增长。降维技术作为数据挖掘预处理技术的重要组成部分,它能有效地减少学习算法的计算复杂度,从而使得传统的学习算法处理大规模数据成为可能。而特征选择作为降维技术的一种,因为其降维后的数据具有可读性高以及不改变数据结构的特点,被广泛应用于各个领域。该方法的步骤主要分为两个部分,生成特征聚类结果和聚类后的特征选择。但是在基于聚类的特征选择算法中依旧存在以下四个问题:（1）在此类方法中,通常使用的单一聚类方法存在鲁棒性以及泛化能力低的缺陷。（2）在聚类集成中,噪音基聚类对聚类集成结果的负面影响无法得到消除。（3）同样在聚类集成中,通过权重计算后还会出现基聚类权重相似的问题,无法有效地区分基聚类质量的优劣,进而影响特征选择结果。（4）在特征选择阶段,未能同时考虑特征信息量与特征间的冗余性。本文针对以上四个问题,并根据数据集的特点,做出了以下工作:（1）提出了基于聚类集成引导的无监督特征选择算法（Clustering Ensemble Guided Feature Selection,CEGFS）。首先根据不同聚类方法在不同数据集上存在的差异,利用群体智慧思维设计出一种新的自适应聚类集成算法（Adaptive Weighted Clustering Ensemble,AWCE）对特征进行聚类。其次为了解决如何剔除特征间的冗余与挑选大信息量特征的问题,提出中心熵特征选择方法（Select the Feature with Centrality-Entropy Score,SFCES）对聚类集成后的特征进行选择。根据亚利桑那州立大学开发的特征选择库中的8个数据集对所提算法进行评价,结果表明AWCE,SFCES以及CEGFS算法提升了聚类集成以及特征选择的准确度。（2）提出了基于聚类性能评价指标集成引导的无监督特征选择算法（Internal Weighting Clustering Ensemble of Feature Selection,IWCEFS）。IWCEFS首先引入内部评价指标对聚类方法进行评价,提出最大内部有效性向量来解决噪音基聚类对集成的影响。其次设计迭代方法对各基聚类的权重调整,使得优质的基聚类结果获得更大的权重,以此来增大好坏聚类结果的区分度。然后根据聚类集成的结果来获取高质量的伪标签,该方法被称为（Clustering Ensemble with Adaptive Weight Learning,CEAWL）。最后结合CEAWL和l2,1稀疏学习来进行特征选择。同样应用8个数据集对其进行测试,结果表明该方法有效地改善特征选择性能。