传统的机器学习通常假设学习环境的数据特征是固定不变的,而在实际的应用场景下,学习环境的数据特征很有可能会随着学习环境的变化而改变。传统的机器学习方法并不能有效地应对这一情况。本文关注特征变化环境的机器学习,提出和分析了若干种相关场景,并从算法、理论和实验等多个层面来研究并解决这些场景下面临的问题。1.特征同步变化环境的在线学习方法。本文提出并分析了特征同步变化下的流数据学习问题。针对这一问题,本文提出FESL方法,此方法通过同步特征变化下存在特征共存阶段这一特性来恢复消失的特征,进而利用恢复得到的特征来提高新特征空间上模型的性能。本文还通过理论分析了FESL方法的有效性,并通过实验进行了验证。2.特征异步变化环境的在线学习方法。本文提出更贴近实际的特征异步变化下的流数据学习问题。针对这一问题,本文提出PUFE方法,此方法利用划归的思想,通过在线矩阵补全技术将异步特征变化转化为同步特征变化。本文还给出了矩阵补全需要观测到的数据量的上界、优化了原来同步特征变化中的理论上界,并通过实验对PUFE方法的有效性进行了验证。3.特征变化环境的资源受限学习方法。针对特征变化下标记信息难以获得的问题,本文提出SF2EL方法。此方法利用样本之间的相似性来辅助学习,但这又带来了存储开销大的问题。考虑到设备的存储资源有限、不同的设备会具有不同的存储容量这两个因素,所以SF2EL方法还可以根据不同的存储容量在特征变化场景下适应性地学习。本文通过理论和实验验证了SF2EL方法的有效性。4.特征变化环境的RNN可解释性研究。本文关注循环神经网络（RNN）,并研究其在特征变化下的可解释性。本文首先提出LISOR方法将循环神经网络转化成满足可解释性的有限状态机来研究RNN的可解释性。本文还研究了不同种类和长度的特征对生成有限状态机的影响。实验结果表明长的特征并不能带来更好的有限状态机,因此也不会带来更好的可解释性。这和奥卡姆剃刀原则一致,也即有效的前提下,越简洁越好。