随着现代信息科技的不断进步,数据的维度急剧增长,使得人们难以把握数据的本质,进而对数据加以利用,而在特征选择、迁移学习等领域,受图嵌入思想启发,所构建的模型往往能取得较好的效果。因此,基于图嵌入并结合其他方法,挖掘数据的潜在几何结构,并获取关键特征,达到降维的目的,将是一个可行的研究思路。具体地,本文基于图嵌入的两种方式,即自适应图嵌入和预构建图嵌入,提出两个新的无监督特征选择模型,即联合图嵌入与特征加权的无监督特征选择（JGEFW）和非负谱学习双图正则特征加权回归（NSDFWR）。JGEFW模型通过自适应图嵌入,获得数据样本间的相似图,并将该过程捕获的聚类指示矩阵纳入加权回归框架中,获取权重矩阵并选择判别性强且非冗余的特征,使得数据维度能有效地降低,同时最大程度地保留特征信息;NSDFWR模型通过预构建图嵌入,对数据空间和特征空间进行学习,挖掘流形结构信息,捕获描述这两者空间的低维嵌入矩阵,并施加非负约束以增加这两者空间的特性,然后将特征空间嵌入作为回归框架投影矩阵并施加正交约束,获取描述特征重要性的矩阵,据此挑选出判别性和非冗余特征构成低维数据样本,实现降维的目的。为验证模型有效性,本文将其与常用的无监督特征选择算法在多个数据集上进行对比,具体有:JGEFW模型在YALE、TOX、ISOLET和COIL数据集上与LS、MCFS、UDFS、DSRMR和Baseline算法进行对比实验;NSDFWR模型在Ionosphere、ISOLET、warp AR10P和warp PIE10P数据集上与LS、MCFS、RSR和Baseline算法进行对比实验。实验结果表明,在多数情况下,JGEFW模型和NSDFWR模型优于其他对比算法,并且聚类效果具有一定的提升,表明模型能有效挖掘数据潜在的几何结构信息,并选择出信息量丰富的特征,实现有效降维。最后由收敛性分析和参数敏感性分析,证明JGEFW模型和NSDFWR模型具有良好的数学收敛性和一定的鲁棒性。