特征选择作为一种重要的数据预处理方法,可以有效地降低模型的训练时间和提高学习性能。然而,随着大数据时代数据产生与收集速度的急剧提升,传统特征选择算法面临着严峻挑战:（1）急剧增长的数据具有维度高、样本少的特点。（2）在实际应用中,无法提前获取整个特征空间,且特征以流的形式进入特征空间,具有动态性。因此,传统的批量处理的特征选择模式已无法满足大数据时代对于算法时间复杂度的要求。针对高维数据和特征空间未知场景的在线特征选择具有重要的研究意义和应用价值。本文在研究现有的在线流特征选择算法的基础上,针对其中存在的问题和不足,提出了两种新的在线流特征选择算法。主要研究工作如下:（1）联合邻域边界的在线流特征选择。目前,在很多现实应用中普遍存在特征随着时间动态地挨个流入特征空间的场景。然而,当前基于邻域粗糙集理论所提出的在线流特征选择算法,在计算特征依赖度时,仅将正域中包含的信息视为有效信息,从而忽略了在噪声数据较少的情况下,边界区域中所包含信息的有效性。本文在邻域粗糙集的基础上,联合正域和边界信息对依赖度函数进行重新定义。在此基础上提出三种在线评估特征的准则。接着,本文设计了一种联合邻域边界的在线流特征选择算法OFS-JNB（Joint Neighborhood Boundary for Online Streaming Feature Selection）。最终,通过与其他在线流特征选择算法进行对比实验,结果表明该算法所选特征集合具有较优的分类性能。（2）基于特征交互的在线流特征选择。在许多实际应用当中,特征通常随着时间逐个动态地流入特征空间,同时由于一些现实原因导致研究对象的样本量非常少,从而使数据呈现高维小样本的特点。然而,传统的在线流特征选择方法侧重于相关特征、不相关或冗余特征,忽略特征之间的交互性,从而不能高效处理高维小样本数据问题。本文基于特征交互性原理提出了一种基于邻域粗糙集的特征交互定义。其次,基于特征交互重新设计了在线重要性分析和在线冗余性分析策略,并提出一种新的基于特征交互的在线流特征选择算法OFSI（Online Streaming Feature Selection Based on Feature Interaction）。与6种对比算法在11个数据集上的实验结果显示,本文所提算法OFSI明显优于其他最先进的在线流特征选择方法。