随着人工智能与大数据时代的到来,描述数据的特征数量在许多领域中都呈现爆炸式增长。高维数据集给传统的学习算法的性能产生了不利的影响,要求更多的计算时间和存储需求,且容易导致模型过拟合。特征选择能够从原始特征集合中选择出最具代表性的特征子集,已经被证明是一种有效的数据降维的手段。在现实世界中,由于人工标注费时费力和缺乏先验知识,未标注的数据越来越普及。在不利用数据标签的情况下,无监督特征选择对全面分析未标记的高维数据是至关重要的。目前,稀疏学习思想被广泛应用在无监督特征选择的场景中。这类方法将特征选择过程与学习模型融合为一体,并在特征选择矩阵上施加稀疏正则项。当模型训练完毕,便可以获得符合特征选择语义的稀疏解。然而,现有的方法并不完善,存在一定的局限性。比如未考虑特征空间中的分布规律和特征之间的冗余关系。本文从稀疏学习角度,提出了2种新的无监督特征选择算法。第一个工作是基于隐空间嵌入的稀疏无监督特征选择。受多模态学习的启发,本文将数据的特征空间和伪标签空间分别看做数据的一个模态。通过联合字典学习来获得特征空间和伪标签空间共享的一个潜在的隐空间,它反映了这两个模态一致的分布规律。本文采用谱聚类方法来学习更加理想化的伪标签信息,从而保证隐空间的完备性。为了选择能够同时保持特征空间和伪标签空间的分布信息的特征子集,本文引入一个线性回归模型来最小化特征空间到隐空间的拟合误差。通过在特征选择矩阵上施加2,1范数正则项,与隐空间关联性弱的特征会被丢弃。在不同领域数据集上的聚类结果验证了该算法的优越性。第二个工作是基于冗余最小化项的稀疏无监督特征选择。本文拓展了传统的基于矩阵分解的方法,主要解决了传统方法忽略特征之间存在冗余关系的问题。高度相关的特征通常具有相似的权重或者排名,如果在选择权重较高的特征时不考虑特征之间的相关性,会使得最终结果存在冗余信息。为此,本文定义了一个新的约束项来惩罚相关程度较高的特征,并将它和矩阵分解嵌入到同一个特征选择框架中。之后进一步研究了2,p范数正则项对特征选择模型的影响。对于提出的优化问题,本文设计了一个高效迭代算法。最后,在多种人脸数据集上验证了模型的有效性。