随着互联网技术和社会的进步发展,各个科学领域都产生了大量、多维、结构复杂的数据。分析和研究过程中,存在的大量高维数据和未标注数据使数据分析和研究面临很大的挑战。一方面,数据的高维复杂性和高维度导致分析模型变得更加复杂,同时模型的性能没有得到保证,泛化能力也在不断降低;另一方面,非标记数据的增长速度以及获取的便捷性都远远超过有标注数据。面对这样复杂的数据集,如何去粗存精、删繁就简,快速准确地从中选出包含关键信息的指标特征就显得尤为重要。在缺少指标信息的监督指导下,高维数据的分析及指标特征选择研究更加具有挑战性。本文将从以下几个方面进行无监督学习的特征选择方法研究。1)由于传统的无监督的特征选择模型都是基于数据表示的,这样的模型受原始空间的噪声和冗余特征的影响很大,为了避免这种情况,本文在数据的字典基础空间上进行特征选择方法研究,相比于在原始数据空间的低级表示,该方法能够捕获到更抽象和更高级的数据表示。此外,同时学习相似度图来保留局部几何数据结构,该结构已被证实对于无监督特征选择至关重要。总之,我们提出了一个模型（简称为DGL-UFS）将字典学习、相似度图学习和特征选择集成到一个统一的框架中,经过数据实验测试,已验证该模型的可靠性。2)传统无监督学习下特征选择算法的前提都是以数据同分布且相互独立为假设前提。然而,现实数据不仅与高维特征相关联,而且还固有地彼此相互关联。加上传统相似度图只能描述数据的成对关系,不能捕获更高阶关系,更不能有效利用调查数据中复杂并更加隐含的结构。鉴于此,本文提出了通过自适应超图正则化潜在表示学习进行特征选择的方法（简称AHRLRL）。不同于在原始数据空间中计算特征的重要性,本方法在通过潜在表示空间的学习,获得数据的高级表示,该特征表示空间方法对噪声更鲁棒。同时为了能进一步获得数据的局部流行几何结构,该方法将自适应学习超图嵌入到结果模型中,进而采取更高阶的表达方式进行特征选择来实现降维目的。此外,我们还开发了一种有效的交替算法来进行优化,经过验证,实验结果均有力的验证了这种模型的可行性及算法的有效性。本文根据特征选择方法研究的现状,在分析现有无监督特征选择算法的功能及存在的不足的基础上,进行更加深层次的研究。通过构建字典空间和潜在空间来获取更加隐含、更加高阶的数据的内部结构信息,分别嵌入相似图学习和自适应超图学习来进行特征选择。本文提出的方法,为数据领域的研究内容做补充,提供了新的解决思路。