随着信息时代的到来,在诸如图像分类、文本识别等实际应用中会产生大量的高维数据。由于高维数据中包含噪声和冗余特征,直接处理这些数据不仅会增加算法的计算代价,还可能会降低算法的性能。同时,实际应用中的数据往往缺少真实的标签信息,而数据的标签信息需要人工标记,该过程费时费力。作为当前的热门研究方向,特征选择能够移除高维数据中噪声和冗余特征,选择相关特征子集,从而有效提高算法的性能。针对上述问题,本文提出基于自适应图学习的半监督特征选择模型,所提模型利用数据在原始特征空间和投影特征空间中的局部结构来充分发掘样本间的近邻信息,以减少噪声、冗余特征对模型的影响,实验结果表明:所提半监督特征选择算法具有良好的性能。本文的主要研究工作如下:1.提出了一种基于自适应图学习的单视图半监督特征选择算法。所提算法能够有效地学习样本数据在原始特征空间和投影特征空间中的近邻信息,在学习数据局部结构的同时选择相关特征,从而减小噪声特征对算法性能的影响。实验在多种数据集上充分验证了新构图方法和特征选择算法的有效性,同时在与先进算法的对比中也有明显的优势。2.提出了一种基于自适应图学习的多视图半监督特征选择算法。所提算法利用权重参数自动平衡不同视图的重要性,不仅充分利用多视图数据的一致性和互补性,还能学习出一个跨视图的可靠近邻图。所提算法在投影学习和稀疏学习的基础上施加l2,1稀疏范数约束,对噪声特征具有良好的鲁棒性。实验结果验证了所提算法中图学习模型的可靠性以及算法在高维多视图数据上的有效性。