随着计算机技术的飞速发展,各行各业无时无刻都在产生大量复杂的数据,其中高维数据的涌现一方面给数据驱动建模问题带来了前所未有的挑战,它们不仅会消耗更多的计算时间,占用更多的存储资源,甚至会降低模型学习的性能;另一方面,高维数据中冗余和不相关的特征严重影响具体学习任务的进一步深入研究。特征选择作为一种数据降维方法,是指从已有数据特征中选择出具有代表性的少量紧致特征子集来表达原始数据,并能保持原有数据的本质特性。本文将典型相关分析（canonical correlation analysis,CCA）和稀疏表示相结合,在现有工作的基础上做一些改进,并克服现有模型的缺点和局限性,实现高维数据的有监督与无监督特征选择。具体的研究工作如下。（1）建立了自适应稀疏监督CCA模型。在现有的稀疏监督CCA模型求解问题中,为了求解方便,一般将优化目标从典型变量的相关系数组合牺牲为协方差组合,如此处理导致了较大的特征选择偏差。针对这一问题,本文通过引入一组自适应权重系数,提出一种新的自适应稀疏监督CCA模型,简称为ASSCCA。并对模拟数据集做了五折交叉验证实验,包括对改进的ASSCCA特征选择性能进行可视化对比与评价,对ASSCCA所求的相关系数进行对比。实验结果表明:在与监督数据有较高相关性的条件下,ASSCCA的特征选择性能更优。（2）建立了高斯近似l₀范数CCA模型。对于无监督CCA,针对l₀范数惩罚项的稀疏性能好但求解复杂度高的问题,本文以连续、分段光滑和稀疏性能接近l₀范数的高斯近似l₀范数作为稀疏正则项来惩罚CCA,提出高斯近似l₀范数CCA的模型,简称为GACCA。并针对四组模拟数据集做了五折交叉验证实验,包括对GACCA特征选择性能进行可视化对比与评价,对GACCA所求的相关系数进行对比。实验结果表明:GACCA可以得到较大相关系数的同时兼顾特征选择的准确性。（3）基于GACCA研究精神分裂症数据集。实验结果表明:GACCA不仅选择出了较多与精神分裂症有潜在联系的脑区和基因,而且得到的富集分析结果更优,为精神分裂症的临床诊断或进一步理论研究提供辅助信息。