近年来,在线流特征选择（Online Feature Selection with Streaming Features,OSFSF）作为数据降维的有效方法,以实时过滤不相关和冗余特征的特点,引起广泛关注。然而,以往研究通常只考虑单个数据源,无法处理同一组实例的特征有多个来源的实际应用问题。根据特征选择过程是关注类标签与数据源的相关性还是数据源之间的相关性将其分为多源特征选择和多视角特征选择。因此,如何针对分类任务展开多源特征选择并验证方法的有效性,如何针对聚类任务展开多视角特征选择并验证方法的有效性是需要亟待解决的关键问题。本文的主要内容如下。首先,提出面向多源流特征的在线特征选择算法MSFS并通过实验评估算法性能。算法在分析多源数据的实例分布和不同数据源特征之间交互作用的基础上,通过相关性分析、源内冗余分析和源间冗余分析三个阶段在线处理流特征。算法试图挖掘不同数据源之间的潜在关系,在特征流入时动态调整目标变量的马尔可夫毯（MB）,获得最优特征子集。将MSFS算法与Alpha-investing、OSFS和SAOLA在多个数据集上进行对比实验,并将选择的特征分别应用于四种不同的分类器,从分类精度、选择特征数量和运行时间多个角度进行对比,验证MSFS算法的有效性。其次,提出面向多视角流特征的在线无监督特征选择算法MVSFS并通过实验评估算法性能。算法通过局部结构保留和公共子空间集成两个阶段学习多视角数据的内在结构,充分考虑不同视角间的共性和互补性,联合特征选择和子空间学习,通过在特征选择矩阵上施加L2,1范数约束来过滤不相关和冗余特征,获得最优特征子集。将MVSFS算法与ACSL和CGMV-UFS在多个数据集上进行对比实验,并将选择的特征分别应用于K-Means和谱聚类,使用标准化互信息、准确率等七种指标进行算法评估,验证MVSFS算法的有效性。最后,将MSFS算法和MVSFS算法分别应用于车道占用率分类和新闻主题聚类场景下,并进行对比实验,验证算法在实际场景中的良好适用性。