现实问题中的数据通常是高维的,其中存在大量的不相关和冗余的特征,这给传统的学习算法带来了巨大的挑战。特征选择就是在这种情况下应运而生,是一种有效的降维方法。特征选择旨在从数据的原始特征中选择一个最优特征子集,是机器学习和数据挖掘领域中一个重要的研究课题,被广泛应用于实际问题中。与此同时,许多实际问题中数据存在多个视角,多视角学习是机器学习中的一个热点问题。一般情况下,合理地运用蕴含于多视角数据中的互补信息和关系可以大大提升学习效果。另一方面,随着信息技术的发展,数据朝着大规模的方向发展,但是数据的标记往往难以获取。本文主要研究怎样运用不同视角数据之间的关系帮助选择最大相关最小冗余的特征子集,我们提出一种基于多视角的半监督特征选择方法,探索蕴含于多视角数据中的互补信息和关系以及每个视角中不同特征之间的冗余关系,并利用少量标记数据蕴含的信息协同未标记数据同时进行特征选择和聚类学习,用于处理“部分标记”的多视角数据。本文的主要贡献有：(1)本文将多视角特征选择与半监督学习结合在一起,解决多视角学习中“部分标记”的特征选择问题；(2)在多视角特征选择中考虑了每个视角中不同特征之间的冗余关系；(3)5个多视角数据集上的实验结果表明了我们的方法能够获得较好的特征选择效果及聚类效果。