随着大数据时代的到来,越来越多的超高维数据被应用于科学研究的各个领域。对于超高维数据进行特征筛选成为了统计学家们热衷研究的课题。在前人研究的基础上,本文提出了一种新的无模型特征筛选方法,放宽了之前的特征筛选方法对于模型的限制,从而能够应用于自变量对因变量的影响与另一个变量(相依变量)有关的情形。这种方法将因变量的示性函数与自变量之间的条件相关系数作为每个解释变量的边际得分函数来衡量他们的重要程度。我们运用核平滑法对自变量的边际效用进行估计并得到样本形式下的筛选标准。在对每个解释变量对应的筛选标准进行排序后选出排在前面的部分解释变量作为活跃解释变量进入到子模型中。本文还介绍并证明了这种新的特征筛选方法具有确保筛选性以及秩相合性,保证重要解释变量能够排在前面并且全部进入子模型中。本文构造了四种不同的模型框架,每种情形都通过蒙特卡洛模拟将我们的方法与前人提出的其他三种特征筛选方法进行对比,从而验证了我们这种方法的理论性质,并且证实了该方法在十分广泛的模型框架下有效。最后我们还将这种方法应用于人类乳腺癌数据进行了实证分析,挑选出了与乳腺癌患者腋窝淋巴结转移最相关的几个基因。最终我们得出结论,这种方法可以在不限定模型具体形式的情况下对存在相依变量的超高维数据进行特征筛选,这在已有的其他特征筛选方法中还未实现过。